論文の概要: DeepTree: Modeling Trees with Situated Latents
- arxiv url: http://arxiv.org/abs/2305.05153v1
- Date: Tue, 9 May 2023 03:33:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-10 14:06:30.519431
- Title: DeepTree: Modeling Trees with Situated Latents
- Title(参考訳): DeepTree: 列挙した木をモデリングする
- Authors: Xiaochen Zhou, Bosheng Li, Bedrich Benes, Songlin Fei, S\"oren Pirk
- Abstract要約: そこで本研究では,木を手作業で定義するのではなく,分岐構造に対する発達規則を学習する手法を提案する。
我々は、その振る舞いが本質的な状態によって決定されるため、潜伏状態にあるディープニューラルモデル(deep Neural model)と呼ぶ。
本手法では,複雑なパラメータを定義することなく,多様な木形を生成することができる。
- 参考スコア(独自算出の注目度): 8.372189962601073
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we propose DeepTree, a novel method for modeling trees based
on learning developmental rules for branching structures instead of manually
defining them. We call our deep neural model situated latent because its
behavior is determined by the intrinsic state -- encoded as a latent space of a
deep neural model -- and by the extrinsic (environmental) data that is situated
as the location in the 3D space and on the tree structure. We use a neural
network pipeline to train a situated latent space that allows us to locally
predict branch growth only based on a single node in the branch graph of a tree
model. We use this representation to progressively develop new branch nodes,
thereby mimicking the growth process of trees. Starting from a root node, a
tree is generated by iteratively querying the neural network on the newly added
nodes resulting in the branching structure of the whole tree. Our method
enables generating a wide variety of tree shapes without the need to define
intricate parameters that control their growth and behavior. Furthermore, we
show that the situated latents can also be used to encode the environmental
response of tree models, e.g., when trees grow next to obstacles. We validate
the effectiveness of our method by measuring the similarity of our tree models
and by procedurally generated ones based on a number of established metrics for
tree form.
- Abstract(参考訳): 本稿では,木を手作業で定義する代わりに,分岐構造に対する開発規則の学習に基づく木をモデリングする新しい手法であるDeepTreeを提案する。
我々のディープニューラルモデルは、その振舞いが内在状態(ディープニューラルモデルの潜伏空間としてエンコードされる)と、3D空間とツリー構造上の位置に位置する外部(環境)データによって決定されるため、潜伏状態に位置するディープニューラルモデルと呼ぶ。
ニューラルネットワークパイプラインを使用して,木モデルの分岐グラフ内の単一ノードのみに基づいて,局所的に分岐成長を予測できるように,位置付けられた潜在空間をトレーニングする。
この表現を用いて,新たな枝ノードを徐々に発展させ,樹の成長過程を模倣する。
ルートノードから始まると、ツリー全体が分岐構造になるように、新たに追加されたノード上でニューラルネットワークを反復的にクエリすることで、ツリーが生成される。
本手法は,樹の成長と行動を制御する複雑なパラメータを定義することなく,多種多様な樹形を生成できる。
さらに, 木が障害物に隣接して生長する場合など, 木モデルの環境応答をコード化するために, 位置潜水剤が使用できることを示す。
本手法の有効性は, 木モデルの類似度を計測し, 木形態の定式化指標に基づいて手続き的に生成した手法により検証する。
関連論文リスト
- BranchPoseNet: Characterizing tree branching with a deep learning-based pose estimation approach [0.0]
本稿では、ポーズ推定深層学習モデルを用いて、近位レーザー走査データ中の木の輪郭を自動的に検出するパイプラインを提案する。
正確な輪郭検出は、木の成長パターン、木質に関する貴重な洞察を与え、林業価値連鎖全体にわたって木を追跡するバイオメトリックマーカーとして使われる可能性がある。
論文 参考訳(メタデータ) (2024-09-23T07:10:11Z) - Forecasting with Hyper-Trees [50.72190208487953]
Hyper-Treesは時系列モデルのパラメータを学習するために設計されている。
対象とする時系列モデルのパラメータを特徴に関連付けることで、Hyper-Treesはパラメータ非定常性の問題にも対処する。
この新しいアプローチでは、木はまず入力特徴から情報表現を生成し、浅いネットワークはターゲットモデルパラメータにマップする。
論文 参考訳(メタデータ) (2024-05-13T15:22:15Z) - HetTree: Heterogeneous Tree Graph Neural Network [12.403166161903378]
HetTreeは、グラフ構造とヘテロジニアスの両方をモデル化する、新しいヘテロジニアスツリーグラフニューラルネットワークである。
HetTreeは、メタパス間の階層をキャプチャするために、セマンティックツリーデータ構造を構築する。
さまざまな実世界のデータセット上でのHetTreeの評価は、既存のすべてのベースラインをオープンベンチマークで上回っていることを示す。
論文 参考訳(メタデータ) (2024-02-21T03:14:45Z) - ViTree: Single-path Neural Tree for Step-wise Interpretable Fine-grained
Visual Categorization [56.37520969273242]
細かな視覚分類のための新しいアプローチであるViTreeを紹介する。
ツリーパスをトラバースすることで、ViTreeは変換処理された機能からパッチを効果的に選択し、情報のあるローカルリージョンをハイライトする。
このパッチとパスの選択性は、ViTreeのモデルの解釈可能性を高め、モデルの内部動作に関するより良い洞察を可能にする。
論文 参考訳(メタデータ) (2024-01-30T14:32:25Z) - Smart-Tree: Neural Medial Axis Approximation of Point Clouds for 3D Tree
Skeletonization [0.0]
Smart-Treeは、ツリーポイントクラウドから分岐骨格の中間軸を近似する教師付き手法である。
グリーディアルゴリズムは、推定メディア軸を用いてロバストな骨格化を行う。
我々は,多種合成ツリーデータセットを用いてSmart-Treeを評価し,実世界のツリーポイントクラウド上で定性解析を行う。
論文 参考訳(メタデータ) (2023-03-21T03:03:46Z) - RLET: A Reinforcement Learning Based Approach for Explainable QA with
Entailment Trees [47.745218107037786]
本稿では,強化学習に基づくEntailment Tree生成フレームワークであるRLETを提案する。
RLETは文の選択と推論生成モジュールによる単一ステップ推論を反復的に行う。
EntailmentBankデータセットの3つの設定の実験では、RLフレームワークを使用することの強みが示されている。
論文 参考訳(メタデータ) (2022-10-31T06:45:05Z) - A Tree-structured Transformer for Program Representation Learning [27.31416015946351]
プログラムには長期/グローバルな依存関係が広く存在し、ほとんどのニューラルネットワークはこれらの依存関係をキャプチャできない。
本稿では,この制限を克服することを目的とした,新しい木構造ニューラルネットワークであるTree-Transformerを提案する。
ボトムアップとトップダウンの伝搬を組み合わせることで、Tree-Transformerはグローバルコンテキストと有意義なノード機能の両方を学ぶことができる。
論文 参考訳(メタデータ) (2022-08-18T05:42:01Z) - A Neural Tangent Kernel Perspective of Infinite Tree Ensembles [8.020742121274417]
本稿では,ソフトツリーの無限アンサンブルの挙動に関する新たな知見を提供する,TNTK(Tree Neural Tangent Kernel)を紹介し,研究する。
本研究は, 樹木の深化によって引き起こされる, 希薄な木構造の影響やTNTKの退化など, いくつかの非自明な性質を見出した。
論文 参考訳(メタデータ) (2021-09-10T16:48:24Z) - Visualizing hierarchies in scRNA-seq data using a density tree-biased
autoencoder [50.591267188664666]
本研究では,高次元scRNA-seqデータから意味のある木構造を同定する手法を提案する。
次に、低次元空間におけるデータのツリー構造を強調する木バイアスオートエンコーダDTAEを紹介する。
論文 参考訳(メタデータ) (2021-02-11T08:48:48Z) - Growing Deep Forests Efficiently with Soft Routing and Learned
Connectivity [79.83903179393164]
この論文は、いくつかの重要な側面で深い森林のアイデアをさらに拡張します。
我々は、ノードがハードバイナリ決定ではなく、確率的ルーティング決定、すなわちソフトルーティングを行う確率的ツリーを採用する。
MNISTデータセットの実験は、私たちの力のある深部森林が[1]、[3]よりも優れたまたは匹敵するパフォーマンスを達成できることを示しています。
論文 参考訳(メタデータ) (2020-12-29T18:05:05Z) - PT2PC: Learning to Generate 3D Point Cloud Shapes from Part Tree
Conditions [66.87405921626004]
本稿では,シンボル部分木表現から3次元形状点雲の幾何を生成するという新しい問題について検討する。
構造的および幾何学的要因を乱す条件付きGAN "part tree"-to-point cloud"モデル(PT2PC)を提案する。
論文 参考訳(メタデータ) (2020-03-19T08:27:25Z)
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。