論文の概要: Inferring High-level Geographical Concepts via Knowledge Graph and
Multi-scale Data Integration: A Case Study of C-shaped Building Pattern
Recognition
- arxiv url: http://arxiv.org/abs/2304.09391v1
- Date: Wed, 19 Apr 2023 03:03:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-20 15:37:54.439099
- Title: Inferring High-level Geographical Concepts via Knowledge Graph and
Multi-scale Data Integration: A Case Study of C-shaped Building Pattern
Recognition
- Title（参考訳）: 知識グラフとマルチスケールデータ統合による高レベルの地理概念推定:C字型建物パターン認識を事例として
- Authors: Zhiwei Wei, Yi Xiao, Wenjia Xu, Mi Shu, Lu Cheng, Yang Wang, Chunbo
Liu
- Abstract要約: 建築パターン認識は,都市形態の理解,地図の一般化の自動化,3次元都市モデルの可視化に重要である。
既存の研究の多くは、視覚知覚規則と近接グラフモデルに基づくオブジェクト非依存の手法を用いてパターンを抽出している。
知識グラフを用いて,C字型建築パターンの認識に着目したマルチスケールデータを統合する。
- 参考スコア（独自算出の注目度）: 23.13018761290839
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Effective building pattern recognition is critical for understanding urban
form, automating map generalization, and visualizing 3D city models. Most
existing studies use object-independent methods based on visual perception
rules and proximity graph models to extract patterns. However, because human
vision is a part-based system, pattern recognition may require decomposing
shapes into parts or grouping them into clusters. Existing methods may not
recognize all visually aware patterns, and the proximity graph model can be
inefficient. To improve efficiency and effectiveness, we integrate multi-scale
data using a knowledge graph, focusing on the recognition of C-shaped building
patterns. First, we use a property graph to represent the relationships between
buildings within and across different scales involved in C-shaped building
pattern recognition. Next, we store this knowledge graph in a graph database
and convert the rules for C-shaped pattern recognition and enrichment into
query conditions. Finally, we recognize and enrich C-shaped building patterns
using rule-based reasoning in the built knowledge graph. We verify the
effectiveness of our method using multi-scale data with three levels of detail
(LODs) collected from the Gaode Map. Our results show that our method achieves
a higher recall rate of 26.4% for LOD1, 20.0% for LOD2, and 9.1% for LOD3
compared to existing approaches. We also achieve recognition efficiency
improvements of 0.91, 1.37, and 9.35 times, respectively.
- Abstract（参考訳）: 効果的な建築パターン認識は,都市形態の理解,地図の一般化の自動化,3次元都市モデルの可視化に重要である。
既存の研究の多くは、視覚知覚規則と近接グラフモデルに基づくオブジェクト非依存の手法を用いてパターンを抽出している。
しかしながら、人間の視覚は部分ベースのシステムであるため、パターン認識には部品に分割したり、クラスタにグループ化したりする必要がある。
既存の手法では、すべての視覚的認識パターンを認識できず、近接グラフモデルは非効率である。
効率と有効性を向上させるために,c字型建築パターンの認識に着目し,知識グラフを用いたマルチスケールデータの統合を行った。
まず,C字型建物パターン認識に係わる様々な規模における建物間の関係を表現するために,特性グラフを用いた。
次に、この知識グラフをグラフデータベースに格納し、C字型パターン認識と強化のルールをクエリ条件に変換する。
最後に、構築した知識グラフのルールに基づく推論を用いて、C字型ビルディングパターンを認識し、強化する。
ガオドマップから3レベルの詳細(LOD)を収集したマルチスケールデータを用いて,本手法の有効性を検証する。
その結果, LOD1は26.4%, LOD2は20.0%, LOD3は9.1%のリコール率を得た。
また,0.91倍,1.37倍,9.35倍の認識効率向上を実現した。
関連論文リスト
- A Clustering Method with Graph Maximum Decoding Information [6.11503045313947]
本稿では,CMDIと呼ばれるグラフベースモデルにおけるデコード情報の最大化のための新しいクラスタリング手法を提案する。
CMDIは2次元構造情報理論を、グラフ構造抽出とグラフ分割という2つのフェーズからなるクラスタリングプロセスに組み込んでいる。
3つの実世界のデータセットに対する実証的な評価は、CMDIが古典的ベースライン法より優れており、より優れた復号化情報比(DI-R)を示すことを示している。
これらの結果から,デコード情報の品質と計算効率を向上させるCMDIの有効性が示され,グラフベースのクラスタリング解析において有用なツールとして位置づけられた。
論文 参考訳（メタデータ） (2024-03-18T05:18:19Z) - Ensemble Quadratic Assignment Network for Graph Matching [52.20001802006391]
グラフマッチングはコンピュータビジョンやパターン認識において一般的に用いられる技法である。
最近のデータ駆動型アプローチは、グラフマッチングの精度を著しく改善した。
データ駆動手法と従来の手法の利点を組み合わせたグラフニューラルネットワーク(GNN)に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2024-03-11T06:34:05Z) - Linear building pattern recognition via spatial knowledge graph [2.3274138116397736]
建築パターンは、都市物質と社会経済の影響を反映した重要な都市構造である。
従来の研究は主にグラフ同型法に基づいており、効率的でない建築パターンを認識するためにルールを使用している。
本稿では,線形建築パターンの認識に知識グラフを適用しようとする。
論文 参考訳（メタデータ） (2023-04-21T04:05:02Z) - Localized Contrastive Learning on Graphs [110.54606263711385]
局所グラフコントラスト学習(Local-GCL)という,シンプルだが効果的なコントラストモデルを導入する。
その単純さにもかかわらず、Local-GCLは、様々なスケールと特性を持つグラフ上の自己教師付きノード表現学習タスクにおいて、非常に競争力のある性能を達成する。
論文 参考訳（メタデータ） (2022-12-08T23:36:00Z) - Towards a Deeper Understanding of Skeleton-based Gait Recognition [4.812321790984493]
近年、ほとんどの歩行認識法は、人のシルエットを使って歩行の特徴を抽出している。
モデルに基づく手法はこれらの問題に悩まされず、身体関節の時間運動を表現することができる。
本研究では,高次入力と残差ネットワークを組み合わせたグラフ畳み込みネットワーク(GCN)に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2022-04-16T18:23:37Z) - KGE-CL: Contrastive Learning of Knowledge Graph Embeddings [64.67579344758214]
本稿では,知識グラフ埋め込みのための簡易かつ効率的な学習フレームワークを提案する。
これは、関連するエンティティと異なる三重項におけるエンティティ-リレーションのカップルのセマンティック距離を短縮することができる。
WN18RRデータセットで51.2% MRR、46.8% Hits@1、59.1% MRR、51.8% Hits@1、YAGO3-10データセットで達成できる。
論文 参考訳（メタデータ） (2021-12-09T12:45:33Z) - 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) - Graph Contrastive Learning with Adaptive Augmentation [23.37786673825192]
本稿では,適応的拡張を用いた新しいグラフコントラスト表現学習法を提案する。
具体的には,ノードの集中度に基づく拡張スキームを設計し,重要な結合構造を明らかにする。
提案手法は,既存の最先端のベースラインを一貫して上回り,教師付きベースラインを超えている。
論文 参考訳（メタデータ） (2020-10-27T15:12:21Z) - Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action
Recognition [57.98278794950759]
グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。
本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。
提案手法を,現在最大規模の2つの3次元データセット上で評価する。
論文 参考訳（メタデータ） (2020-07-30T18:23:18Z) - Structured Landmark Detection via Topology-Adapting Deep Graph Learning [75.20602712947016]
解剖学的顔と医学的ランドマーク検出のための新しいトポロジ適応深層グラフ学習手法を提案する。
提案手法は局所像特徴と大域形状特徴の両方を利用するグラフ信号を構成する。
3つの公開顔画像データセット(WFLW、300W、COFW-68)と3つの現実世界のX線医学データセット(ケパロメトリ、ハンド、ペルビス)で実験を行った。
論文 参考訳（メタデータ） (2020-04-17T11:55:03Z) - Unifying Graph Embedding Features with Graph Convolutional Networks for
Skeleton-based Action Recognition [18.001693718043292]
本稿では,人行動認識のためのグラフ畳み込みネットワークに15のグラフ埋め込み機能を組み込んだ新しいフレームワークを提案する。
我々のモデルは,NTU-RGB+D,Kineetics,SYSU-3Dという3つの大規模データセットで検証されている。
論文 参考訳（メタデータ） (2020-03-06T02:31:26Z)
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。