論文の概要: EurNet: Efficient Multi-Range Relational Modeling of Spatial Multi-Relational Data

• arxiv url: http://arxiv.org/abs/2211.12941v1
• Date: Wed, 23 Nov 2022 13:24:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-24 14:32:19.526301
• Title: EurNet: Efficient Multi-Range Relational Modeling of Spatial Multi-Relational Data
• Title（参考訳）: EurNet:空間的マルチリレーショナルデータの効率的なマルチレンジリレーショナルモデリング
• Authors: Minghao Xu, Yuanfan Guo, Yi Xu, Jian Tang, Xinlei Chen, Yuandong Tian
• Abstract要約: マルチレンジ・リレーショナル・モデリングのためのEurNetを提案する。 EurNetは、各タイプのエッジが短距離、中距離、長距離の空間的相互作用に対応するマルチリレーショナルグラフを構築する。 画像およびタンパク質構造モデリングにおいて,EurNetsを2つの重要な領域で研究する。
• 参考スコア（独自算出の注目度）: 65.56348668962343
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modeling spatial relationship in the data remains critical across many different tasks, such as image classification, semantic segmentation and protein structure understanding. Previous works often use a unified solution like relative positional encoding. However, there exists different kinds of spatial relations, including short-range, medium-range and long-range relations, and modeling them separately can better capture the focus of different tasks on the multi-range relations (e.g., short-range relations can be important in instance segmentation, while long-range relations should be upweighted for semantic segmentation). In this work, we introduce the EurNet for Efficient multi-range relational modeling. EurNet constructs the multi-relational graph, where each type of edge corresponds to short-, medium- or long-range spatial interactions. In the constructed graph, EurNet adopts a novel modeling layer, called gated relational message passing (GRMP), to propagate multi-relational information across the data. GRMP captures multiple relations within the data with little extra computational cost. We study EurNets in two important domains for image and protein structure modeling. Extensive experiments on ImageNet classification, COCO object detection and ADE20K semantic segmentation verify the gains of EurNet over the previous SoTA FocalNet. On the EC and GO protein function prediction benchmarks, EurNet consistently surpasses the previous SoTA GearNet. Our results demonstrate the strength of EurNets on modeling spatial multi-relational data from various domains. The implementations of EurNet for image modeling are available at https://github.com/hirl-team/EurNet-Image . The implementations for other applied domains/tasks will be released soon.
• Abstract（参考訳）: データの空間的関係のモデル化は、画像分類、セマンティックセグメンテーション、タンパク質構造理解など、多くの異なるタスクにおいて重要なままである。 以前の作品では、相対的な位置符号化のような統一的なソリューションがしばしば用いられる。 しかし、短距離関係、中距離関係、長距離関係など様々な空間関係が存在し、それらをモデリングすることで、多範囲関係(例えば、短距離関係はインスタンスセグメンテーションにおいて重要であるが、長距離関係は意味的セグメンテーションのために重み付けされるべきである)に対する異なるタスクの焦点をよりよく捉えることができる。 本稿では,効率的なマルチレンジリレーショナルモデリングのためのEurNetを提案する。 EurNetは、各タイプのエッジが短距離または中距離の空間的相互作用に対応するマルチリレーショナルグラフを構築する。 構築されたグラフでは、eurnetはgated relational message passing(grmp)と呼ばれる新しいモデリング層を採用し、データをまたいで複数のリレーショナル情報を伝搬する。 GRMPは余分な計算コストでデータ内の複数の関係をキャプチャする。 画像およびタンパク質構造モデリングにおいて,EurNetsを2つの重要な領域で研究する。 ImageNet分類、COCOオブジェクト検出、ADE20Kセマンティックセグメンテーションに関する大規模な実験は、以前のSoTA FocalNetよりもEurNetの利点を検証する。 ECおよびGOタンパク質関数予測ベンチマークでは、EurNetは以前のSoTA GearNetを一貫して上回っている。 本研究では,様々な領域の空間的マルチリレーショナルデータのモデリングにおけるEurNetsの強みを示す。 画像モデリングのためのEurNetの実装はhttps://github.com/hirl-team/EurNet-Image で公開されている。 他の適用ドメイン/タスクの実装はまもなくリリースされる。

関連論文リスト

• DHRNet: A Dual-Path Hierarchical Relation Network for Multi-Person Pose Estimation [14.267849773487834]
  マルチパーソンポーズ推定(MPPE)は、コンピュータビジョンにおいて非常に重要な課題である。 本稿では,Dual-path Hierarchical Relation Network (DHRNet) と呼ばれるCNNベースの新しい単一ステージ手法を提案する。
  論文  参考訳（メタデータ） (2024-04-22T09:41:03Z)
• Learning multi-domain feature relation for visible and Long-wave Infrared image patch matching [39.88037892637296]
  我々は、VL-CMIMと呼ばれる最大の可視・長波長赤外線画像パッチマッチングデータセットを提示する。 さらに,マルチドメイン特徴関連学習ネットワーク(MD-FRN)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T11:23:32Z)
• An Efficient Multi-Scale Fusion Network for 3D Organ at Risk (OAR) Segmentation [2.6770199357488242]
  我々はOARFocalFuseNetと呼ばれる新しいOARセグメンテーションフレームワークを提案する。 マルチスケールの特徴を融合させ、複数のスケールにわたるグローバルローカルコンテキストのキャプチャに焦点変調を用いる。 OARFocalFuseNetはOpenKBPデータセット上で0.7995のダイス係数と5.1435のハウスドルフ距離を得た。
  論文  参考訳（メタデータ） (2022-08-15T19:40:18Z)
• RU-Net: Regularized Unrolling Network for Scene Graph Generation [92.95032610978511]
  シーングラフ生成(SGG)は、オブジェクトを検出し、各オブジェクト間の関係を予測することを目的としている。 既存のSGG法は,(1)あいまいな対象表現,2)関係予測の多様性の低下など,いくつかの問題に悩まされることが多い。 両問題に対処する正規化アンローリングネットワーク(RU-Net)を提案する。
  論文  参考訳（メタデータ） (2022-05-03T04:21:15Z)
• Multi-similarity based Hyperrelation Network for few-shot segmentation [2.306100133614193]
  ほとんどショットのセマンティックセグメンテーションは、見知らぬカテゴリのオブジェクト領域を、いくつかの例で認識することを目的としている。 本稿では,MSHNet(Multi-similarity Hyperrelation Network)を提案する。
  論文  参考訳（メタデータ） (2022-03-17T18:16:52Z)
• Multi-dataset Pretraining: A Unified Model for Semantic Segmentation [97.61605021985062]
  我々は、異なるデータセットの断片化アノテーションを最大限に活用するために、マルチデータセット事前訓練と呼ばれる統合フレームワークを提案する。 これは、複数のデータセットに対して提案されたピクセルからプロトタイプへのコントラスト損失を通じてネットワークを事前トレーニングすることで実現される。 異なるデータセットからの画像とクラス間の関係をより良くモデル化するために、クロスデータセットの混合によりピクセルレベルの埋め込みを拡張する。
  論文  参考訳（メタデータ） (2021-06-08T06:13:11Z)
• CoADNet: Collaborative Aggregation-and-Distribution Networks for Co-Salient Object Detection [91.91911418421086]
  Co-Salient Object Detection (CoSOD)は、2つ以上の関連する画像を含む所定のクエリグループに繰り返し現れる健全なオブジェクトを発見することを目的としている。 課題の1つは、画像間の関係をモデリングし、活用することによって、コ・サリヤ・キューを効果的にキャプチャする方法である。 我々は,複数画像から有能かつ反復的な視覚パターンを捉えるために,エンドツーエンドの協調集約配信ネットワーク(CoADNet)を提案する。
  論文  参考訳（メタデータ） (2020-11-10T04:28:11Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)
• CAggNet: Crossing Aggregation Network for Medical Image Segmentation [4.56877715768796]
  クロス・アグリゲーション・ネットワーク (CAggNet) は医療画像解析のための新しいセマンティック・セマンティック・セマンティック・セマンティック・セマンティクス・アプローチである。 CAggNetでは、一般的なU-Netの単純なスキップ接続構造は、マルチレベルダウンサンプリング層とアップサンプリング層のアグリゲーションに置き換えられる。 我々はCAggNetを2つの公開医用画像データセットでいくつかの先進的なU-Net法と比較した。
  論文  参考訳（メタデータ） (2020-04-16T15:39:38Z)
• Universal-RCNN: Universal Object Detector via Transferable Graph R-CNN [117.80737222754306]
  我々はUniversal-RCNNと呼ばれる新しいユニバーサルオブジェクト検出器を提案する。 まず、すべてのカテゴリの高レベルなセマンティック表現を統合することで、グローバルなセマンティックプールを生成する。 ドメイン内推論モジュールは、空間認識GCNによってガイドされる1つのデータセット内のスパースグラフ表現を学習し、伝播する。
  論文  参考訳（メタデータ） (2020-02-18T07:57:45Z)

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。