論文の概要: Learning Geometric Invariant Features for Classification of Vector Polygons with Graph Message-passing Neural Network
- arxiv url: http://arxiv.org/abs/2407.04334v1
- Date: Fri, 5 Jul 2024 08:19:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-08 14:09:46.670843
- Title: Learning Geometric Invariant Features for Classification of Vector Polygons with Graph Message-passing Neural Network
- Title（参考訳）: グラフメッセージパッシングニューラルネットワークを用いたベクトルポリゴンの分類のための幾何学的不変性学習
- Authors: Zexian Huang, Kourosh Khoshelham, Martin Tomko,
- Abstract要約: 本稿では,ポリゴンの形状分類のための幾何学的不変特徴を学習するために,新しいグラフメッセージパッシングニューラルネットワーク(PolyMP)を提案する。
提案したグラフベースPolyMPネットワークは,ポリゴンの幾何変換に不変な表現幾何学的特徴の学習を可能にする。
- 参考スコア（独自算出の注目度）: 3.804240190982697
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Geometric shape classification of vector polygons remains a non-trivial learning task in spatial analysis. Previous studies mainly focus on devising deep learning approaches for representation learning of rasterized vector polygons, whereas the study of discrete representations of polygons and subsequent deep learning approaches have not been fully investigated. In this study, we investigate a graph representation of vector polygons and propose a novel graph message-passing neural network (PolyMP) to learn the geometric-invariant features for shape classification of polygons. Through extensive experiments, we show that the graph representation of polygons combined with a permutation-invariant graph message-passing neural network achieves highly robust performances on benchmark datasets (i.e., synthetic glyph and real-world building footprint datasets) as compared to baseline methods. We demonstrate that the proposed graph-based PolyMP network enables the learning of expressive geometric features invariant to geometric transformations of polygons (i.e., translation, rotation, scaling and shearing) and is robust to trivial vertex removals of polygons. We further show the strong generalizability of PolyMP, which enables generalizing the learned geometric features from the synthetic glyph polygons to the real-world building footprints.
- Abstract（参考訳）: ベクトル多角形の幾何学的形状分類は、空間解析において非自明な学習課題である。
従来の研究では、ラスタ化ベクトル多角形の表現学習のための深層学習アプローチの開発に主に焦点が当てられていたが、ポリゴンの離散表現とその後の深層学習アプローチの研究は、完全には研究されていない。
本研究では,ベクトル多角形のグラフ表現について検討し,多角形の形状分類のための幾何学的不変性を学ぶために,新しいグラフメッセージパッシングニューラルネットワーク(PolyMP)を提案する。
広範にわたる実験により,多角形のグラフ表現と置換不変なグラフメッセージパッシングニューラルネットワークが,ベンチマークデータセット(合成グリフおよび実世界の構築フットプリントデータセット)において,ベースライン手法と比較して高い堅牢性を実現することを示す。
提案したグラフベースPolyMPネットワークは,ポリゴンの幾何変換に不変な表現幾何学的特徴(翻訳,回転,スケーリング,せん断)の学習を可能にし,ポリゴンの自明な頂点除去に頑健であることを示す。
さらに、合成グリフ多角形から実世界の建築フットプリントまで、学習した幾何学的特徴を一般化できるPolyMPの強い一般化性を示す。
関連論文リスト
- PolyhedronNet: Representation Learning for Polyhedra with Surface-attributed Graph [4.734024733136093]
PolyhedronNetは3D多面体オブジェクトの表現を学習するための一般的なフレームワークである。
本実験は,ポリヘドロンネットによる3次元多面体物体の包括的および情報的表現の取得の有効性を実証するものである。
論文 参考訳（メタデータ） (2025-02-03T20:45:19Z) - Geometry Distributions [51.4061133324376]
本稿では,分布として幾何学をモデル化する新しい幾何学的データ表現を提案する。
提案手法では,新しいネットワークアーキテクチャを用いた拡散モデルを用いて表面点分布の学習を行う。
本研究では,多種多様な対象に対して質的かつ定量的に表現を評価し,その有効性を実証した。
論文 参考訳（メタデータ） (2024-11-25T04:06:48Z) - SpaceMesh: A Continuous Representation for Learning Manifold Surface Meshes [61.110517195874074]
本稿では,ニューラルネットワークの出力として,複雑な接続性を持つ多様体多角形メッシュを直接生成する手法を提案する。
私たちの重要なイノベーションは、各メッシュで連続的な遅延接続空間を定義することです。
アプリケーションでは、このアプローチは生成モデルから高品質な出力を得るだけでなく、メッシュ修復のような挑戦的な幾何処理タスクを直接学習することを可能にする。
論文 参考訳（メタデータ） (2024-09-30T17:59:03Z) - PolygonGNN: Representation Learning for Polygonal Geometries with Heterogeneous Visibility Graph [8.971120205703887]
本稿では,多角形空間,特に多角形空間の表現を学習するためのフレームワークを提案する。
計算効率を向上し,グラフ冗長性を最小化するために,不均一なスパンニングツリーサンプリング手法を実装した。
また、可視性グラフに固有の空間的・意味的不均一性を活かした新しいモデルであるMultipolygon-GNNを導入する。
論文 参考訳（メタデータ） (2024-06-30T16:07:49Z) - A Survey of Geometric Graph Neural Networks: Data Structures, Models and
Applications [67.33002207179923]
本稿では、幾何学的GNNに関するデータ構造、モデル、および応用について調査する。
幾何学的メッセージパッシングの観点から既存のモデルの統一的なビューを提供する。
また、方法論開発と実験評価の後の研究を促進するために、アプリケーションと関連するデータセットを要約する。
論文 参考訳（メタデータ） (2024-03-01T12:13:04Z) - PolyGNN: Polyhedron-based Graph Neural Network for 3D Building Reconstruction from Point Clouds [22.18061879431175]
PolyGNNは、再構成ポイントクラウドを構築するためのグラフニューラルネットワークである。
多面体分解によって得られる原始体を組み立てることを学ぶ。
都市間および実世界の点雲上での移動可能性解析を行う。
論文 参考訳（メタデータ） (2023-07-17T16:52:25Z) - Towards General-Purpose Representation Learning of Polygonal Geometries [62.34832826705641]
我々は,多角形形状を埋め込み空間に符号化できる汎用多角形符号化モデルを開発した。
1)MNISTに基づく形状分類,2)DBSR-46KとDBSR-cplx46Kという2つの新しいデータセットに基づく空間関係予測を行う。
以上の結果から,NUFTspec と ResNet1D は,既存のベースラインよりも有意なマージンで優れていた。
論文 参考訳（メタデータ） (2022-09-29T15:59:23Z) - PolyWorld: Polygonal Building Extraction with Graph Neural Networks in
Satellite Images [10.661430927191205]
本稿では、画像から直接建物頂点を抽出し、それらを正しく接続して正確なポリゴンを生成するニューラルネットワークであるPolyWorldを紹介する。
PolyWorldは、ポリゴン化の構築における最先端を著しく上回る。
論文 参考訳（メタデータ） (2021-11-30T15:23:17Z) - Dist2Cycle: A Simplicial Neural Network for Homology Localization [66.15805004725809]
単純複体は多方向順序関係を明示的にエンコードするグラフの高次元一般化と見なすことができる。
単体錯体の$k$-homological特徴によってパラメータ化された関数のグラフ畳み込みモデルを提案する。
論文 参考訳（メタデータ） (2021-10-28T14:59:41Z) - PolyNet: Polynomial Neural Network for 3D Shape Recognition with
PolyShape Representation [51.147664305955495]
3次元形状表現とその処理は3次元形状認識に大きな影響を及ぼす。
我々は、ディープニューラルネットワークに基づく手法(PolyNet)と特定のポリゴン表現(PolyShape)を提案する。
本研究では,3次元形状分類と検索作業におけるPolyNetの長所と長所を実証した。
論文 参考訳（メタデータ） (2021-10-15T06:45:59Z)
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。