論文の概要: DHGCN: Dynamic Hop Graph Convolution Network for Self-Supervised Point Cloud Learning

• arxiv url: http://arxiv.org/abs/2401.02610v2
• Date: Sat, 20 Jan 2024 22:05:39 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-23 19:28:28.592538
• Title: DHGCN: Dynamic Hop Graph Convolution Network for Self-Supervised Point Cloud Learning
• Title（参考訳）: dhgcn: 自己教師付きポイントクラウド学習のための動的ホップグラフ畳み込みネットワーク
• Authors: Jincen Jiang, Lizhi Zhao, Xuequan Lu, Wei Hu, Imran Razzak, Meili Wang
• Abstract要約: 本稿では,動的ホップグラフ畳み込みネットワーク(DHGCN)を提案する。 そこで我々は, 自己監督型部分レベルホップ距離再構築タスクを考案し, トレーニングの容易さに応じて, 新たな損失関数を設計する。 提案したDHGCNは、ポイントベースのバックボーンネットワークと互換性のあるプラグイン・アンド・プレイモジュールである。
• 参考スコア（独自算出の注目度）: 23.048005152646592
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent works attempt to extend Graph Convolution Networks (GCNs) to point clouds for classification and segmentation tasks. These works tend to sample and group points to create smaller point sets locally and mainly focus on extracting local features through GCNs, while ignoring the relationship between point sets. In this paper, we propose the Dynamic Hop Graph Convolution Network (DHGCN) for explicitly learning the contextual relationships between the voxelized point parts, which are treated as graph nodes. Motivated by the intuition that the contextual information between point parts lies in the pairwise adjacent relationship, which can be depicted by the hop distance of the graph quantitatively, we devise a novel self-supervised part-level hop distance reconstruction task and design a novel loss function accordingly to facilitate training. In addition, we propose the Hop Graph Attention (HGA), which takes the learned hop distance as input for producing attention weights to allow edge features to contribute distinctively in aggregation. Eventually, the proposed DHGCN is a plug-and-play module that is compatible with point-based backbone networks. Comprehensive experiments on different backbones and tasks demonstrate that our self-supervised method achieves state-of-the-art performance. Our source code is available at: https://github.com/Jinec98/DHGCN.
• Abstract（参考訳）: 最近の研究は、グラフ畳み込みネットワーク(gcns)を、分類とセグメンテーションタスクのためのポイントクラウドに拡張しようと試みている。 これらの作業は、より小さな点集合を局所的に作成し、主に点集合間の関係を無視しながらGCNを通して局所的な特徴を抽出することに焦点を当てる。 本稿では,グラフノードとして扱われるボクセル化点部分間の文脈関係を明示的に学習するための動的ホップグラフ畳み込みネットワーク(dhgcn)を提案する。 グラフのホップ距離を定量的に表現できる対側隣接関係に点部間の文脈情報が存在するという直観性に動機づけられ,新しい自己教師付き部分ホップ距離再構成タスクを考案し,新しい損失関数の設計を行い,学習を容易にする。 さらに,学習したホップ距離を重み付けの入力として用いたホップグラフ注意(HGA)を提案する。 最終的に提案されたDHGCNは、ポイントベースのバックボーンネットワークと互換性のあるプラグアンドプレイモジュールである。 異なるバックボーンとタスクに関する総合的な実験は、我々の自己管理手法が最先端のパフォーマンスを達成することを示す。 ソースコードはhttps://github.com/jinec98/dhgcn。

関連論文リスト

• SG-PGM: Partial Graph Matching Network with Semantic Geometric Fusion for 3D Scene Graph Alignment and Its Downstream Tasks [14.548198408544032]
  我々は3次元シーングラフアライメントを部分的なグラフマッチング問題として扱い、グラフニューラルネットワークを用いてそれを解くことを提案する。 我々は、点雲登録法で学習した幾何学的特徴を再利用し、クラスタ化された点レベルの幾何学的特徴とノードレベルの意味的特徴を関連付ける。 本稿では,3次元シーングラフのノードワイドアライメントを用いて,事前学習した点雲登録手法からマッチング候補を再重み付けする点マッチング再構成手法を提案する。
  論文  参考訳（メタデータ） (2024-03-28T15:01:58Z)
• Learnable Graph Matching: A Practical Paradigm for Data Association [74.28753343714858]
  これらの問題に対処するための一般的な学習可能なグラフマッチング法を提案する。 提案手法は,複数のMOTデータセット上での最先端性能を実現する。 画像マッチングでは,一般的な屋内データセットであるScanNetで最先端の手法より優れている。
  論文  参考訳（メタデータ） (2023-03-27T17:39:00Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• Learning task-specific features for 3D pointcloud graph creation [0.8629912408966145]
  本稿では,3Dポイントクラウドからグラフを作成する方法を提案する。 提案手法は,入力された3Dポイントクラウドの変換上でk-NNを実行することに基づいている。 また, ストレス最小化に基づく正規化手法を導入し, ベースラインから学習グラフまでの距離を制御できるようにした: k-NN over xyz 空間。
  論文  参考訳（メタデータ） (2022-09-02T11:13:02Z)
• HPGNN: Using Hierarchical Graph Neural Networks for Outdoor Point Cloud Processing [0.7649716717097428]
  自律ナビゲーションのためのポイントクラウド処理の最近の改良により、我々は、処理に階層的なグラフニューラルネットワークを使うことに重点を置いている。 階層型グラフニューラルネットワーク(HPGNN)を提案する。 様々なレベルのグラフ粗さでノードの特徴を学習し、情報を抽出する。 これにより、既存のポイントレベルのグラフネットワークが達成に苦慮している詳細を保ちながら、大きなポイントクラウド上で学習することができる。
  論文  参考訳（メタデータ） (2022-06-05T11:18:09Z)
• Graph Attention Networks with Positional Embeddings [7.552100672006174]
  グラフニューラルネットワーク(GNN)は、ノード分類タスクにおける芸術的パフォーマンスの現在の状態を提供するディープラーニング手法である。 本論文では,GATを位置埋め込みで強化するフレームワークであるG Graph Attentional Networks with Positional Embeddings(GAT-POS)を提案する。 GAT-POSは、強いGNNベースラインや、非ホモフィルグラフ上の最近の構造埋め込み強化GNNと比較して著しく改善されている。
  論文  参考訳（メタデータ） (2021-05-09T22:13:46Z)
• One Point is All You Need: Directional Attention Point for Feature Learning [51.44837108615402]
  ポイントクラウド分類やセグメンテーションなどのタスクのポイント機能強化を学習するための新しい注意ベースのメカニズムを提示する。 我々は,最先端のクラウド分類とセグメンテーションネットワークに注目機構を組み込むことができることを示す。
  論文  参考訳（メタデータ） (2020-12-11T11:45:39Z)
• CatGCN: Graph Convolutional Networks with Categorical Node Features [99.555850712725]
  CatGCNはグラフ学習に適したノード機能である。 エンドツーエンドでCatGCNを訓練し、半教師付きノード分類でそれを実証する。
  論文  参考訳（メタデータ） (2020-09-11T09:25:17Z)
• Sequential Graph Convolutional Network for Active Learning [53.99104862192055]
  逐次グラフ畳み込みネットワーク(GCN)を用いた新しいプールベースアクティブラーニングフレームワークを提案する。 少数のランダムなサンプル画像がシードラベル付き例であるので、グラフのパラメータを学習してラベル付きノードと非ラベル付きノードを区別する。 我々はGCNの特性を利用してラベル付けされたものと十分に異なる未ラベルの例を選択する。
  論文  参考訳（メタデータ） (2020-06-18T00:55:10Z)
• Affinity Graph Supervision for Visual Recognition [35.35959846458965]
  親和性グラフにおける重みの学習を指導する原理的手法を提案する。 我々の親和性監視は、手動でアノテートされた関係ラベルがなくても、オブジェクト間の関係回復を改善する。 我々は、ニューラルネットワークトレーニングのために、ミニバッチから構築されたグラフにも親和性学習を適用することができることを示した。
  論文  参考訳（メタデータ） (2020-03-19T23:52:51Z)
• Cross-GCN: Enhancing Graph Convolutional Network with $k$-Order Feature Interactions [153.6357310444093]
  Graph Convolutional Network(GCN)は,グラフデータの学習と推論を行う新興技術である。 我々は、GCNの既存の設計がクロスフィーチャをモデリングし、クロスフィーチャが重要であるタスクやデータに対してGCNの効率を損なうことを論じている。 我々は、任意の次交叉特徴を、特徴次元と順序サイズに線形に複雑にモデル化した、クロスフィーチャーグラフ畳み込みという新しい演算子を設計する。
  論文  参考訳（メタデータ） (2020-03-05T13:05:27Z)

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。