論文の概要: Graph Convolutional Networks based on Manifold Learning for
Semi-Supervised Image Classification
- arxiv url: http://arxiv.org/abs/2304.12492v1
- Date: Mon, 24 Apr 2023 23:24:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-26 22:27:30.370187
- Title: Graph Convolutional Networks based on Manifold Learning for
Semi-Supervised Image Classification
- Title（参考訳）: 半スーパービジョン画像分類のためのマニフォールド学習に基づくグラフ畳み込みネットワーク
- Authors: Lucas Pascotti Valem, Daniel Carlos Guimar\~aes Pedronette, Longin Jan
Latecki
- Abstract要約: 半教師付き画像分類のためのGCNに基づく新しい手法であるManifold-GCNを提案する。
本論文の主な仮説は,グラフ構造をモデル化するための多様体学習を用いることで,GCN分類をさらに改善できるというものである。
全ての多様体学習アルゴリズムは完全に教師なしであり、ラベル付きデータの可用性が懸念されるシナリオでは特に有用である。
- 参考スコア（独自算出の注目度）: 9.171175292808144
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Due to a huge volume of information in many domains, the need for
classification methods is imperious. In spite of many advances, most of the
approaches require a large amount of labeled data, which is often not
available, due to costs and difficulties of manual labeling processes. In this
scenario, unsupervised and semi-supervised approaches have been gaining
increasing attention. The GCNs (Graph Convolutional Neural Networks) represent
a promising solution since they encode the neighborhood information and have
achieved state-of-the-art results on scenarios with limited labeled data.
However, since GCNs require graph-structured data, their use for
semi-supervised image classification is still scarce in the literature. In this
work, we propose a novel approach, the Manifold-GCN, based on GCNs for
semi-supervised image classification. The main hypothesis of this paper is that
the use of manifold learning to model the graph structure can further improve
the GCN classification. To the best of our knowledge, this is the first
framework that allows the combination of GCNs with different types of manifold
learning approaches for image classification. All manifold learning algorithms
employed are completely unsupervised, which is especially useful for scenarios
where the availability of labeled data is a concern. A broad experimental
evaluation was conducted considering 5 GCN models, 3 manifold learning
approaches, 3 image datasets, and 5 deep features. The results reveal that our
approach presents better accuracy than traditional and recent state-of-the-art
methods with very efficient run times for both training and testing.
- Abstract（参考訳）: 多くのドメインに大量の情報があるため、分類法の必要性は極めて高い。
多くの進歩にもかかわらず、ほとんどのアプローチは大量のラベル付きデータを必要とするが、手動ラベリングプロセスのコストと困難のため、しばしば利用できない。
このシナリオでは、教師なしおよび半教師なしのアプローチが注目されている。
GCN(Graph Convolutional Neural Networks)は、周辺情報をエンコードし、ラベル付きデータに制限のあるシナリオで最先端の結果を得たため、将来性のあるソリューションである。
しかし、gcnsはグラフ構造データを必要とするため、半教師あり画像分類の使用は文献上はまだ少ない。
本稿では, 半教師付き画像分類のためのGCNに基づく新しい手法であるManifold-GCNを提案する。
本論文の主な仮説は,グラフ構造をモデル化するための多様体学習を用いることで,GCN分類をさらに改善できるというものである。
我々の知る限りでは、画像分類のための異なる種類の多様体学習アプローチとGCNの組み合わせを可能にする最初のフレームワークである。
全ての多様体学習アルゴリズムは完全に教師なしであり、ラベル付きデータの可用性が懸念されるシナリオでは特に有用である。
5つのGCNモデル,3つの多様体学習アプローチ,3つの画像データセット,5つの深い特徴を考慮した実験を行った。
その結果,本手法は従来の最先端手法よりも精度が高く,トレーニングとテストの両面で非常に効率的な実行時間が得られることがわかった。
関連論文リスト
- Structure-Aware Consensus Network on Graphs with Few Labeled Nodes [7.438140196173472]
ラベル付きノードがほとんどないグラフノード分類は、監督が限られているため、大きな課題となる。
従来の手法では、しばしばトランスダクティブな学習方法でグラフを利用する。
本稿では,これらの課題を克服する構造対応コンセンサスネットワーク(SACN)を提案する。
論文 参考訳（メタデータ） (2024-07-02T11:46:07Z) - Graph Convolutional Network For Semi-supervised Node Classification With Subgraph Sketching [0.27624021966289597]
本稿では,GLDGCNと呼ばれるグラフ学習型グラフ畳み込みニューラルネットワークを提案する。
半教師付きノード分類タスクにGLDGCNを適用する。
ベースライン手法と比較して,3つの引用ネットワークの分類精度が向上する。
論文 参考訳（メタデータ） (2024-04-19T09:08:12Z) - From Cluster Assumption to Graph Convolution: Graph-based Semi-Supervised Learning Revisited [51.24526202984846]
グラフベースの半教師付き学習(GSSL)は、長い間ホットな研究トピックだった。
グラフ畳み込みネットワーク (GCN) は, 有望な性能を示す主要な技術となっている。
論文 参考訳（メタデータ） (2023-09-24T10:10:21Z) - Learning Hierarchical Graph Neural Networks for Image Clustering [81.5841862489509]
本稿では,画像の集合を未知の個数にクラスタリングする方法を学ぶ階層型グラフニューラルネットワーク(GNN)モデルを提案する。
我々の階層的なGNNは、階層の各レベルで予測される連結コンポーネントをマージして、次のレベルで新しいグラフを形成するために、新しいアプローチを用いています。
論文 参考訳（メタデータ） (2021-07-03T01:28:42Z) - Zero-shot Node Classification with Decomposed Graph Prototype Network [33.24920910739568]
2段階の性質を持つゼロショットノード分類(ZNC)問題について検討する。
最初の段階では,実クラス関係を推定した定量的CSD評価戦略を提案する。
第2段階では,DGPN(Decomposed Graph Prototype Network)方式を提案する。
論文 参考訳（メタデータ） (2021-06-15T10:13:20Z) - Attention-Driven Dynamic Graph Convolutional Network for Multi-Label
Image Recognition [53.17837649440601]
本稿では,各画像の特定のグラフを動的に生成するアテンション駆動型動的グラフ畳み込みネットワーク(ADD-GCN)を提案する。
パブリックなマルチラベルベンチマーク実験により,本手法の有効性が示された。
論文 参考訳（メタデータ） (2020-12-05T10:10:12Z) - 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) - Simple and Deep Graph Convolutional Networks [63.76221532439285]
グラフ畳み込みネットワーク(GCN)は、グラフ構造化データに対する強力なディープラーニングアプローチである。
その成功にもかかわらず、現在のGCNモデルは、エムの過度に滑らかな問題のため、ほとんどが浅くなっている。
本稿では,2つの単純かつ効果的な手法を用いて,バニラGCNモデルを拡張したGCNIIを提案する。
論文 参考訳（メタデータ） (2020-07-04T16:18:06Z) - Distilling Knowledge from Graph Convolutional Networks [146.71503336770886]
既存の知識蒸留法は畳み込みニューラルネットワーク(CNN)に焦点を当てている
本稿では,事前学習したグラフ畳み込みネットワーク(GCN)モデルから知識を抽出する手法を提案する。
提案手法は,GCNモデルに対する最先端の知識蒸留性能を実現する。
論文 参考訳（メタデータ） (2020-03-23T18:23:11Z) - Learning Global and Local Consistent Representations for Unsupervised
Image Retrieval via Deep Graph Diffusion Networks [7.91572577141643]
Graph Diffusion Networks (GRAD-Net) は不規則グラフ上のディープラーニングアルゴリズムの新しい変種である。
GRAD-Netは、画像多様体の局所的構造と大域的構造の両方を教師なしで利用することによって意味表現を学習する。
スパース符号化技術を利用することで、GRAD-Netは画像多様体のグローバル情報を保存するだけでなく、スケーラブルなトレーニングと効率的なクエリを可能にする。
論文 参考訳（メタデータ） (2020-01-05T18:24:28Z)
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。