論文の概要: Universe Points Representation Learning for Partial Multi-Graph Matching

• arxiv url: http://arxiv.org/abs/2212.00780v1
• Date: Thu, 1 Dec 2022 18:58:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-02 15:02:04.664515
• Title: Universe Points Representation Learning for Partial Multi-Graph Matching
• Title（参考訳）: 部分的マルチグラフマッチングのためのユニバースポイント表現学習
• Authors: Zhakshylyk Nurlanov, Frank R. Schmidt, Florian Bernard
• Abstract要約: マルチグラフサイクルの整合性を保証するため,より一般的な部分マッチング問題について検討する。 本稿では,一様対一の定式化を用いて,抽象宇宙点の潜在表現を学習する部分多重グラフマッチングのための新しいデータ駆動手法を提案する。
• 参考スコア（独自算出の注目度）: 17.46692880231195
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many challenges from natural world can be formulated as a graph matching problem. Previous deep learning-based methods mainly consider a full two-graph matching setting. In this work, we study the more general partial matching problem with multi-graph cycle consistency guarantees. Building on a recent progress in deep learning on graphs, we propose a novel data-driven method (URL) for partial multi-graph matching, which uses an object-to-universe formulation and learns latent representations of abstract universe points. The proposed approach advances the state of the art in semantic keypoint matching problem, evaluated on Pascal VOC, CUB, and Willow datasets. Moreover, the set of controlled experiments on a synthetic graph matching dataset demonstrates the scalability of our method to graphs with large number of nodes and its robustness to high partiality.
• Abstract（参考訳）: 自然界からの多くの挑戦はグラフマッチング問題として定式化することができる。 従来のディープラーニングベースの手法では、主に完全な2グラフマッチングの設定を検討する。 本研究では,マルチグラフサイクルの整合性を保証するため,より一般的な部分マッチング問題について検討する。 グラフの深層学習の最近の進歩を基盤として,オブジェクト指向の定式化を用いて抽象宇宙点の潜在表現を学習する部分多重グラフマッチングのための新しいデータ駆動手法(URL)を提案する。 提案手法は,Pascal VOC,CUB,Wilowの各データセットで評価された意味キーポイントマッチング問題における技術の現状を推し進める。 さらに,合成グラフマッチングデータセットにおける制御実験のセットは,多数のノードを有するグラフへの拡張性と高い部分性に対する頑健性を示す。

関連論文リスト

• Learning Universe Model for Partial Matching Networks over Multiple Graphs [78.85255014094223]
  2つまたは複数のグラフの部分的マッチングのための宇宙マッチングスキームを開発する。 不整合及び不整合検出のための微妙なロジックを、明確にモデル化することができる。 これは、2グラフマッチング、複数グラフマッチング、オンラインマッチング、混合グラフマッチングを同時に扱うことができる最初のディープラーニングネットワークである。
  論文  参考訳（メタデータ） (2022-10-19T08:34:00Z)
• High-order Multi-view Clustering for Generic Data [15.764819403555512]
  グラフベースのマルチビュークラスタリングは、ほとんどの非グラフアプローチよりも優れたパフォーマンスを実現している。 本稿では,高次マルチビュークラスタリング (HMvC) という手法を導入し,汎用データのトポロジ構造情報を探索する。
  論文  参考訳（メタデータ） (2022-09-22T07:49:38Z)
• All the World's a (Hyper)Graph: A Data Drama [55.144729234861316]
  Hyperbardはシェイクスピアの戯曲からの多様なデータ表現のデータセットである。 私たちの表現は、単一のシーンで文字の共起をキャプチャする単純なグラフから、複雑な通信設定を符号化するハイパーグラフまで様々です。 データソースへのオマージュとして、科学もまた芸術であると主張するため、私たちはすべてのポイントを遊びの形で提示します。
  論文  参考訳（メタデータ） (2022-06-16T14:51:28Z)
• Multi-view Contrastive Graph Clustering [12.463334005083379]
  マルチビュー属性グラフデータをクラスタリングするための汎用フレームワークを提案する。 コントラスト学習の成功に触発されて,マルチビューコントラストグラフクラスタリング(MCGC)法を提案する。 私たちの単純なアプローチは、既存のディープラーニングベースの手法よりも優れています。
  論文  参考訳（メタデータ） (2021-10-22T15:22:42Z)
• Edge but not Least: Cross-View Graph Pooling [76.71497833616024]
  本稿では,重要なグラフ構造情報を活用するために,クロスビューグラフプーリング(Co-Pooling)手法を提案する。 クロスビュー相互作用、エッジビュープーリング、ノードビュープーリングにより、相互にシームレスに強化され、より情報的なグラフレベルの表現が学習される。
  論文  参考訳（メタデータ） (2021-09-24T08:01:23Z)
• Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
  本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。 提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。 すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
  論文  参考訳（メタデータ） (2021-09-01T08:24:02Z)
• Deep graph matching meets mixed-integer linear programming: Relax at your own risk ? [8.05409526074409]
  グラフマッチング問題のMILP定式化を統合する手法を提案する。 同様のアプローチは、グラフマッチング解決器の最適保証と品質レベルの導入によって導かれる。 実験により,いくつかの理論的知見が得られ,深部グラフマッチング手法の方向性を導出する。
  論文  参考訳（メタデータ） (2021-08-01T08:29:55Z)
• Accurate Learning of Graph Representations with Graph Multiset Pooling [45.72542969364438]
  本稿では,その構造的依存関係に応じてノード間の相互作用をキャプチャするグラフマルチセットトランス (GMT) を提案する。 実験の結果,GMTはグラフ分類ベンチマークにおいて,最先端のグラフプーリング法を著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-02-23T07:45:58Z)
• Deep Reinforcement Learning of Graph Matching [63.469961545293756]
  ノードとペアの制約下でのグラフマッチング(GM)は、最適化からコンピュータビジョンまでの領域におけるビルディングブロックである。 GMのための強化学習ソルバを提案する。 rgmはペアワイズグラフ間のノード対応を求める。 本手法は,フロントエンドの特徴抽出と親和性関数学習に焦点をあてるという意味において,従来のディープグラフマッチングモデルと異なる。
  論文  参考訳（メタデータ） (2020-12-16T13:48:48Z)
• Multi-view Graph Learning by Joint Modeling of Consistency and Inconsistency [65.76554214664101]
  グラフ学習は、複数のビューから統一的で堅牢なグラフを学ぶ能力を備えた、マルチビュークラスタリングのための有望なテクニックとして登場した。 本稿では,統合目的関数における多視点一貫性と多視点不整合を同時にモデル化する,新しい多視点グラフ学習フレームワークを提案する。 12のマルチビューデータセットに対する実験は、提案手法の堅牢性と効率性を実証した。
  論文  参考訳（メタデータ） (2020-08-24T06:11:29Z)

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。