論文の概要: HSGNet: Object Re-identification with Hierarchical Similarity Graph Network

• arxiv url: http://arxiv.org/abs/2211.05486v1
• Date: Thu, 10 Nov 2022 11:02:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-11 15:22:34.697107
• Title: HSGNet: Object Re-identification with Hierarchical Similarity Graph Network
• Title（参考訳）: hsgnet:階層的類似性グラフネットワークによるオブジェクト再同定
• Authors: Fei Shen, Mengwan Wei, and Junchi Ren
• Abstract要約: オブジェクトの再識別方法は、バックボーンネットワーク、特徴集約、損失関数から構成される。 バックボーンと再識別ネットワークの競合を軽減するために,階層的類似性グラフモジュール(HSGM)を設計する。 我々は,HSGMをバックボーンネットワークに埋め込むことにより,新しい階層型類似性グラフネットワーク(HSGNet)を開発した。
• 参考スコア（独自算出の注目度）: 0.7406388656098399
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Object re-identification method is made up of backbone network, feature aggregation, and loss function. However, most backbone networks lack a special mechanism to handle rich scale variations and mine discriminative feature representations. In this paper, we firstly design a hierarchical similarity graph module (HSGM) to reduce the conflict of backbone and re-identification networks. The designed HSGM builds a rich hierarchical graph to mine the mapping relationships between global-local and local-local. Secondly, we divide the feature map along with the spatial and channel directions in each hierarchical graph. The HSGM applies the spatial features and channel features extracted from different locations as nodes, respectively, and utilizes the similarity scores between nodes to construct spatial and channel similarity graphs. During the learning process of HSGM, we utilize a learnable parameter to re-optimize the importance of each position, as well as evaluate the correlation between different nodes. Thirdly, we develop a novel hierarchical similarity graph network (HSGNet) by embedding the HSGM in the backbone network. Furthermore, HSGM can be easily embedded into backbone networks of any depth to improve object re-identification ability. Finally, extensive experiments on three large-scale object datasets demonstrate that the proposed HSGNet is superior to state-of-the-art object re-identification approaches.
• Abstract（参考訳）: オブジェクトの再識別方法は、バックボーンネットワーク、特徴集約、損失関数から構成される。 しかし、ほとんどのバックボーンネットワークは、リッチスケールのバリエーションや識別的特徴表現を扱う特別なメカニズムを欠いている。 本稿では,まず,階層的類似グラフモジュール(hsgm)を設計し,バックボーンと再識別ネットワークの衝突を低減する。 設計されたHSGMは、グローバルローカルとローカルローカルのマッピング関係をマイニングするために、リッチな階層グラフを構築している。 次に,各階層グラフの空間方向とチャネル方向とともに特徴マップを分割する。 HSGMは、それぞれ異なる位置から抽出された空間特徴とチャネル特徴を適用し、ノード間の類似度スコアを利用して、空間類似度グラフとチャネル類似度グラフを構築する。 hsgmの学習過程において,学習可能なパラメータを用いて各位置の重要性を再最適化し,各ノード間の相関性を評価する。 第3に,hsgmをバックボーンネットワークに組み込むことにより,新しい階層的類似性グラフネットワーク(hsgnet)を開発した。 さらに、HSGMは任意の深さのバックボーンネットワークに簡単に埋め込み、オブジェクトの再識別能力を向上させることができる。 最後に、3つの大規模オブジェクトデータセットに対する広範な実験により、提案したHSGNetは最先端のオブジェクト再識別アプローチよりも優れていることが示された。

関連論文リスト

• GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
  グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。 本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-01-17T13:04:23Z)
• Transitivity-Preserving Graph Representation Learning for Bridging Local Connectivity and Role-based Similarity [2.5252594834159643]
  局所的およびグローバルな構造情報を固定長ベクトル表現に統合するUnified Graph Transformer Networks (UGT)を提案する。 まず、UGTは各ノードの局所的な部分構造を特定し、各ノードの$k$ホップ近傍の特徴を集約することによって局所構造を学習する。 第三に、UGTは自己アテンションを通じて統一表現を学び、構造距離とノードペア間の$p$ステップ遷移確率を符号化する。
  論文  参考訳（メタデータ） (2023-08-18T12:49:57Z)
• Graph Representation Learning via Contrasting Cluster Assignments [57.87743170674533]
  GRCCAと呼ばれるクラスタ割り当てを対比して、教師なしグラフ表現モデルを提案する。 クラスタリングアルゴリズムとコントラスト学習を組み合わせることで、局所的およびグローバルな情報を合成的にうまく活用する動機付けがある。 GRCCAは、ほとんどのタスクにおいて強力な競争力を持っている。
  論文  参考訳（メタデータ） (2021-12-15T07:28:58Z)
• Learning to Aggregate Multi-Scale Context for Instance Segmentation in Remote Sensing Images [28.560068780733342]
  特徴抽出のプロセスを改善するために,新しいコンテキスト集約ネットワーク(CATNet)を提案する。 提案モデルは,高密度特徴ピラミッドネットワーク(DenseFPN),空間コンテキストピラミッド(SCP),階層的関心抽出器(HRoIE)の3つの軽量プラグアンドプレイモジュールを利用する。
  論文  参考訳（メタデータ） (2021-11-22T08:55:25Z)
• Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
  我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。 ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
  論文  参考訳（メタデータ） (2020-11-26T14:43:04Z)
• Locality Preserving Dense Graph Convolutional Networks with Graph Context-Aware Node Representations [19.623379678611744]
  グラフ畳み込みネットワーク(GCN)はグラフデータの表現学習に広く利用されている。 多くのグラフ分類アプリケーションにおいて、GCNベースのアプローチは従来の手法よりも優れている。 グラフコンテキスト対応ノード表現を用いた局所性保存型高密度GCNを提案する。
  論文  参考訳（メタデータ） (2020-10-12T02:12:27Z)
• Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification [63.56018768401328]
  HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。 空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。 MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
  論文  参考訳（メタデータ） (2020-09-19T09:26:20Z)
• Exploring Spatial Significance via Hybrid Pyramidal Graph Network for Vehicle Re-identification [11.461437773444498]
  既存の車両再識別手法では,既設のバックボーンネットワークから抽出した特徴マップを,空間プール操作で集約する。 本稿では,特徴写像の空間的意義を精査するための空間グラフネットワーク(SGN)を提案する。 新たなピラミッドグラフネットワーク(PGN)は,複数スケールで特徴写像の空間的意義を包括的に探索するように設計されている。
  論文  参考訳（メタデータ） (2020-05-29T17:21:12Z)
• Graph Neural Networks with Composite Kernels [60.81504431653264]
  カーネル重み付けの観点からノード集約を再解釈する。 本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。 特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
  論文  参考訳（メタデータ） (2020-05-16T04:44:29Z)
• High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification [84.43394420267794]
  本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。 我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-03-18T12:18:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。