Fugu-MT 論文翻訳(概要): GreedyViG: Dynamic Axial Graph Construction for Efficient Vision GNNs

論文の概要: GreedyViG: Dynamic Axial Graph Construction for Efficient Vision GNNs

arxiv url: http://arxiv.org/abs/2405.06849v1
Date: Fri, 10 May 2024 23:21:16 GMT
ステータス: 処理完了
システム内更新日: 2024-05-14 19:44:41.641853
Title: GreedyViG: Dynamic Axial Graph Construction for Efficient Vision GNNs
Title（参考訳）: GreedyViG: 効率的なビジョンGNNのための動的軸グラフ構築
Authors: Mustafa Munir, William Avery, Md Mostafijur Rahman, Radu Marculescu,
Abstract要約: ビジョングラフニューラルネットワーク(ViG)は、コンピュータビジョンの探索のための新しい道を提供する。 ViGsの主なボトルネックは、グラフ構築に使用される非効率なk-アネレスト隣り(KNN)演算である。 KNNよりも効率的な動的軸グラフ構築(DAGC)を設計するための新しい手法を提案する。また,DAGCを用いた新しいCNN-GNNアーキテクチャであるGreedyViGを提案する。
参考スコア（独自算出の注目度）: 5.895049552752008
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Vision graph neural networks (ViG) offer a new avenue for exploration in computer vision. A major bottleneck in ViGs is the inefficient k-nearest neighbor (KNN) operation used for graph construction. To solve this issue, we propose a new method for designing ViGs, Dynamic Axial Graph Construction (DAGC), which is more efficient than KNN as it limits the number of considered graph connections made within an image. Additionally, we propose a novel CNN-GNN architecture, GreedyViG, which uses DAGC. Extensive experiments show that GreedyViG beats existing ViG, CNN, and ViT architectures in terms of accuracy, GMACs, and parameters on image classification, object detection, instance segmentation, and semantic segmentation tasks. Our smallest model, GreedyViG-S, achieves 81.1% top-1 accuracy on ImageNet-1K, 2.9% higher than Vision GNN and 2.2% higher than Vision HyperGraph Neural Network (ViHGNN), with less GMACs and a similar number of parameters. Our largest model, GreedyViG-B obtains 83.9% top-1 accuracy, 0.2% higher than Vision GNN, with a 66.6% decrease in parameters and a 69% decrease in GMACs. GreedyViG-B also obtains the same accuracy as ViHGNN with a 67.3% decrease in parameters and a 71.3% decrease in GMACs. Our work shows that hybrid CNN-GNN architectures not only provide a new avenue for designing efficient models, but that they can also exceed the performance of current state-of-the-art models.
Abstract（参考訳）: ビジョングラフニューラルネットワーク(ViG)は、コンピュータビジョンの探索のための新しい道を提供する。 ViGsの主なボトルネックは、グラフ構築に使用される非効率なk-アネレスト隣り(KNN)演算である。そこで本研究では,画像内のグラフ接続数を制限するため,KNNよりも効率的な動的軸グラフ構築法である動的軸グラフ構築法(DAGC)を提案する。さらに,DAGCを用いた新しいCNN-GNNアーキテクチャであるGreedyViGを提案する。 GreedyViGは、画像分類、オブジェクト検出、インスタンスセグメンテーション、セマンティックセグメンテーションタスクにおいて、精度、GMAC、パラメータの点で既存のViG、CNN、ViTアーキテクチャを上回っている。我々の最小モデルであるGreedyViG-Sは、ImageNet-1Kで81.1%、Vision GNNより2.9%、Vision HyperGraph Neural Network (ViHGNN)より2.2%、GMACが少なく、パラメータも類似している。我々の最大のモデルであるGreedyViG-Bは83.9%のトップ1の精度で、Vision GNNより0.2%高く、パラメータは66.6%減少し、GMACは69%減少している。 GreedyViG-Bは、パラメータが67.3%減少し、GMACが71.3%減少するViHGNNと同じ精度を得る。我々の研究によると、ハイブリッドCNN-GNNアーキテクチャは、効率的なモデル設計のための新しい道を提供するだけでなく、現在の最先端モデルの性能を上回ることができる。

関連論文リスト

BG-HGNN: Toward Scalable and Efficient Heterogeneous Graph Neural Network [6.598758004828656]
不均一グラフニューラルネットワーク(HGNN)は、異種グラフ用に設計された有望なニューラルモデルクラスである。既存のHGNNは、様々な関係をモデル化するために異なるパラメータ空間を使用する。本稿では,Blend&Grind-HGNNについて紹介する。
論文参考訳（メタデータ） (2024-03-13T03:03:40Z)
PVG: Progressive Vision Graph for Vision Recognition [25.752613030302534]
本稿では,視覚認識タスクのためのプログレッシブビジョングラフ(PVG)アーキテクチャを提案する。 PVGには3つの主要コンポーネントが含まれている: 1) プログレッシブ・セパレート・グラフ・コンストラクション(PSGC)、2) 隣ノードの情報収集と更新モジュール、3) グラフエラーリニア・ユニット(GraphLU)。
論文参考訳（メタデータ） (2023-08-01T14:35:29Z)
MobileViG: Graph-Based Sparse Attention for Mobile Vision Applications [7.2210216531805695]
ビジョングラフニューラルネットワーク(ViG)は、探索のための新たな道を提供する。 ViGは、画像をグラフ構造として表現するオーバーヘッドのため、計算コストが高い。そこで本稿では,モバイル端末で動作するVG用に設計された,新たなグラフベースのスパースアテンション機構であるSparse Vision Graph Attention (SVGA)を提案する。
論文参考訳（メタデータ） (2023-07-01T17:49:12Z)
LazyGNN: Large-Scale Graph Neural Networks via Lazy Propagation [51.552170474958736]
グラフ表現学習においてより効率的なモデルであるLazyGNNを実現するために,より深いモデルではなく,より浅いモデルによってグラフの長距離依存性をキャプチャすることを提案する。 LazyGNNは、ミニバッチのLazyGNNの開発を通じてさらに加速するために、既存のスケーラブルなアプローチ(サンプリング方法など)と互換性がある。総合的な実験は、大規模なベンチマークで優れた予測性能とスケーラビリティを示す。
論文参考訳（メタデータ） (2023-02-03T02:33:07Z)
Relation Embedding based Graph Neural Networks for Handling Heterogeneous Graph [58.99478502486377]
我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
論文参考訳（メタデータ） (2022-09-23T05:24:18Z)
Revisiting Embeddings for Graph Neural Networks [0.0]
画像とテキストの両方に対して異なる埋め込み抽出手法を探索する。埋め込みの選択は異なるGNNアーキテクチャの性能に偏っていることがわかった。本稿では,グラフ接続型ネットワーク(GraNet)層を提案する。
論文参考訳（メタデータ） (2022-09-19T20:37:55Z)
Exploiting Neighbor Effect: Conv-Agnostic GNNs Framework for Graphs with Heterophily [58.76759997223951]
我々はフォン・ノイマンエントロピーに基づく新しい計量を提案し、GNNのヘテロフィリー問題を再検討する。また、異種データセット上でのほとんどのGNNの性能を高めるために、Conv-Agnostic GNNフレームワーク(CAGNN)を提案する。
論文参考訳（メタデータ） (2022-03-19T14:26:43Z)
A Unified Lottery Ticket Hypothesis for Graph Neural Networks [82.31087406264437]
本稿では,グラフ隣接行列とモデルの重み付けを同時に行う統一GNNスペーシフィケーション(UGS)フレームワークを提案する。グラフ宝くじ(GLT)をコアサブデータセットとスパースサブネットワークのペアとして定義することにより、人気のある宝くじチケット仮説を初めてGNNsにさらに一般化します。
論文参考訳（メタデータ） (2021-02-12T21:52:43Z)
Identity-aware Graph Neural Networks [63.6952975763946]
グラフニューラルネットワーク(ID-GNN)を1-WLテストよりも表現力の高いメッセージクラスを開発しています。 ID-GNNは、メッセージパッシング中にノードのIDを誘導的に考慮することにより、既存のGNNアーキテクチャを拡張します。既存のGNNをID-GNNに変換すると、挑戦ノード、エッジ、グラフプロパティ予測タスクの平均40%の精度が向上することを示す。
論文参考訳（メタデータ） (2021-01-25T18:59:01Z)
GPT-GNN: Generative Pre-Training of Graph Neural Networks [93.35945182085948]
グラフニューラルネットワーク(GNN)は、グラフ構造化データのモデリングにおいて強力であることが示されている。生成事前学習によりGNNを初期化するためのGPT-GNNフレームワークを提案する。 GPT-GNNは、様々な下流タスクにおいて、事前トレーニングを最大9.1%行うことなく、最先端のGNNモデルを大幅に上回ることを示す。
論文参考訳（メタデータ） (2020-06-27T20:12:33Z)

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。