論文の概要: Spatio-Temporal driven Attention Graph Neural Network with Block
Adjacency matrix (STAG-NN-BA)
- arxiv url: http://arxiv.org/abs/2303.14322v1
- Date: Sat, 25 Mar 2023 01:26:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-28 20:37:48.014651
- Title: Spatio-Temporal driven Attention Graph Neural Network with Block
Adjacency matrix (STAG-NN-BA)
- Title（参考訳）: ブロック隣接行列(STAG-NN-BA)を用いた時空間注意グラフニューラルネットワーク
- Authors: U. Nazir, W. Islam, M. Taj
- Abstract要約: 衛星画像を用いた空間的・時間的分類のための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。
本稿では,各画素を分類する代わりに,単純な線形反復クラスタリング(SLIC)画像分割とグラフ注意GATに基づく手法を提案する。
コードとデータセットはGitHubリポジトリ経由で公開されます。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Despite the recent advances in deep neural networks, standard convolutional
kernels limit the applications of these networks to the Euclidean domain only.
Considering the geodesic nature of the measurement of the earth's surface,
remote sensing is one such area that can benefit from non-Euclidean and
spherical domains. For this purpose, we propose a novel Graph Neural Network
architecture for spatial and spatio-temporal classification using satellite
imagery. We propose a hybrid attention method to learn the relative importance
of irregular neighbors in remote sensing data. Instead of classifying each
pixel, we propose a method based on Simple Linear Iterative Clustering (SLIC)
image segmentation and Graph Attention GAT. The superpixels obtained from SLIC
become the nodes of our Graph Convolution Network (GCN). We then construct a
region adjacency graph (RAG) where each superpixel is connected to every other
adjacent superpixel in the image, enabling information to propagate globally.
Finally, we propose a Spatially driven Attention Graph Neural Network (SAG-NN)
to classify each RAG. We also propose an extension to our SAG-NN for
spatio-temporal data. Unlike regular grids of pixels in images, superpixels are
irregular in nature and cannot be used to create spatio-temporal graphs. We
introduce temporal bias by combining unconnected RAGs from each image into one
supergraph. This is achieved by introducing block adjacency matrices resulting
in novel Spatio-Temporal driven Attention Graph Neural Network with Block
Adjacency matrix (STAG-NN-BA). We evaluate our proposed methods on two remote
sensing datasets namely Asia14 and C2D2. In comparison with both non-graph and
graph-based approaches our SAG-NN and STAG-NN-BA achieved superior accuracy on
all the datasets while incurring less computation cost. The code and dataset
will be made public via our GitHub repository.
- Abstract（参考訳）: ディープニューラルネットワークの最近の進歩にもかかわらず、標準畳み込みカーネルはこれらのネットワークのユークリッド領域への応用を制限している。
地球表面の測定の測地学的性質を考えると、リモートセンシングは非ユークリッド領域と球面領域の恩恵を受けることのできる領域の1つである。
本研究では,衛星画像を用いた空間的・時空間的分類のための新しい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。
リモートセンシングデータにおける不規則な隣人の相対的重要性を学習するためのハイブリッドアテンション手法を提案する。
本稿では,各画素を分類する代わりに,単純な線形反復クラスタリング(SLIC)画像分割とグラフ注意GATに基づく手法を提案する。
SLICから得られたスーパーピクセルは、私たちのGraph Convolution Network(GCN)のノードになります。
次に、各スーパーピクセルが画像内の他の隣接スーパーピクセルと接続される領域隣接グラフ(rag)を構築し、情報をグローバルに伝播させる。
最後に、各RAGを分類するための空間駆動型注意グラフニューラルネットワーク(SAG-NN)を提案する。
また,時空間データに対するSAG-NNの拡張を提案する。
画像中の通常のピクセルグリッドとは異なり、スーパーピクセルは本質的に不規則であり、時空間グラフの作成には使用できない。
各画像からの無連結RAGを1つのスーパーグラフに組み合わせて時間バイアスを導入する。
これは、ブロック隣接行列(stag-nn-ba)を持つ新しい時空間駆動注意グラフニューラルネットワークをもたらすブロック隣接行列を導入することによって達成される。
提案手法は, asia14 と c2d2 の2つのリモートセンシングデータセット上で評価する。
SAG-NNとSTAG-NN-BAは非グラフおよびグラフベースのアプローチと比較して,計算コストの低減を図りながら,全てのデータセットに対して優れた精度を実現した。
コードとデータセットはGitHubリポジトリ経由で公開されます。
関連論文リスト
- Representation Learning on Heterophilic Graph with Directional
Neighborhood Attention [8.493802098034255]
Graph Attention Network(GAT)は、最も人気のあるGraph Neural Network(GNN)アーキテクチャの1つである。
GATは、長距離およびグローバルグラフ情報をキャプチャする能力に欠けており、いくつかのデータセットで不満足なパフォーマンスをもたらす。
本稿では,特徴に基づく注意と,グラフトポロジから抽出したグローバルな方向性情報を組み合わせるために,DGAT(Directional Graph Attention Network)を提案する。
論文 参考訳（メタデータ） (2024-03-03T10:59:16Z) - EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。
EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。
提案手法はいくつかの最先端手法より一貫して優れている。
論文 参考訳（メタデータ） (2022-11-19T09:08:43Z) - Unsupervised Image Semantic Segmentation through Superpixels and Graph
Neural Networks [6.123324869194195]
ラベル付きデータが不足している多くの実世界のシナリオでは、教師なしのイメージセグメンテーションが重要なタスクである。
本稿では,相互情報最大化(MIM),ニューラルスーパーピクセル,グラフニューラルネットワーク(GNN)をエンドツーエンドに組み合わせて,教師なし学習の最近の進歩を活用する新しいアプローチを提案する。
論文 参考訳（メタデータ） (2022-10-21T08:35:18Z) - 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) - TreeRNN: Topology-Preserving Deep GraphEmbedding and Learning [24.04035265351755]
本研究では,グラフを木に転送する手法について検討し,特徴統合を局所的からグローバル的へと導くための明確な順序を学習する。
グラフツリー画像からパターンを最もよく学習するために,2次元RNNアーキテクチャであるTreeRNNを提案する。
論文 参考訳（メタデータ） (2020-06-21T15:22:24Z) - Isometric Graph Neural Networks [5.306334746787569]
我々はIsometric Graph Neural Networks (IGNN) の学習手法を提案する。
IGNNは、任意のGNNアルゴリズムがノード間の距離を反映した表現を生成するために、入力表現空間と損失関数を変更する必要がある。
我々はケンドールのタウ(KT)の400%まで、一貫した実質的な改善を観察する。
論文 参考訳（メタデータ） (2020-06-16T22:51:13Z) - Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。
提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。
実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文 参考訳（メタデータ） (2020-04-19T09:43:14Z) - 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) - Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph
Neural Networks [183.97265247061847]
我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。
GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。
また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
論文 参考訳（メタデータ） (2020-03-08T13:02:15Z) - Superpixel Image Classification with Graph Attention Networks [4.714325419968082]
本稿では,グラフニューラルネットワーク(GNN)モデルを用いた画像分類手法を提案する。
入力画像を領域隣接グラフ (RAG) に変換する。
グラフ畳み込みと自己アテンション機構を組み合わせたグラフアテンションネットワーク(GAT)は、他のGNNモデルより優れていることを実験的に示唆している。
論文 参考訳（メタデータ） (2020-02-13T14:52:32Z) - EdgeNets:Edge Varying Graph Neural Networks [179.99395949679547]
本稿では、EdgeNetの概念を通じて、最先端グラフニューラルネットワーク(GNN)を統一する一般的なフレームワークを提案する。
EdgeNetはGNNアーキテクチャであり、異なるノードが異なるパラメータを使って異なる隣人の情報を測定することができる。
これは、ノードが実行でき、既存のグラフ畳み込みニューラルネットワーク(GCNN)とグラフアテンションネットワーク(GAT)の1つの定式化の下で包含できる一般的な線形で局所的な操作である。
論文 参考訳（メタデータ） (2020-01-21T15:51:17Z)
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。