Fugu-MT 論文翻訳(概要): Learning Geometric Invariant Features for Classification of Vector Polygons with Graph Message-passing Neural Network

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/2407.04334v2
Date: Wed, 11 Jun 2025 21:39:27 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-13 15:37:22.007961
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: より表現的かつ頑健な多角形の潜在表現を学習するための単純なグラフメッセージパッシングフレームワークであるPolyMPを提案する。このフレームワークは,自己ループグラフ情報を階層的に取得し,多角形分類のための幾何学的不変特徴を学習する。以上の結果から,PolyMPとPolyMP-DSCは共通変換の下で不変な表現的幾何学的特徴を効果的に捉えていることが示唆された。
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 challenging task in spatial analysis. Previous studies have primarily focused on deep learning approaches for rasterized vector polygons, while the study of discrete polygon representations and corresponding learning methods remains underexplored. In this study, we investigate a graph-based representation of vector polygons and propose a simple graph message-passing framework, PolyMP, along with its densely self-connected variant, PolyMP-DSC, to learn more expressive and robust latent representations of polygons. This framework hierarchically captures self-looped graph information and learns geometric-invariant features for polygon shape classification. Through extensive experiments, we demonstrate that combining a permutation-invariant graph message-passing neural network with a densely self-connected mechanism achieves robust performance on benchmark datasets, including synthetic glyphs and real-world building footprints, outperforming several baseline methods. Our findings indicate that PolyMP and PolyMP-DSC effectively capture expressive geometric features that remain invariant under common transformations, such as translation, rotation, scaling, and shearing, while also being robust to trivial vertex removals. Furthermore, we highlight the strong generalization ability of the proposed approach, enabling the transfer of learned geometric features from synthetic glyph polygons to 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、空間解析において難しい課題である。これまでの研究は主にラスタ化ベクトル多角形に対する深層学習のアプローチに焦点を合わせてきたが、離散多角形表現とそれに対応する学習方法の研究はいまだ検討されていない。本研究では,ベクトル多角形のグラフベース表現について検討し,より表現的かつ頑健な多角形の潜在表現を学習するために,グラフメッセージパッシングフレームワークであるPolyMPと,自己連結な多角形であるPolyMP-DSCを提案する。このフレームワークは,自己ループグラフ情報を階層的に取得し,多角形分類のための幾何学的不変特徴を学習する。広範にわたる実験により、置換不変グラフメッセージパッシングニューラルネットワークと高密度に自己接続されたメカニズムを組み合わせることで、合成グリフや実世界の建築フットプリントを含むベンチマークデータセット上で堅牢なパフォーマンスを実現し、いくつかのベースライン手法よりも優れた性能を示す。以上の結果から,PolyMPとPolyMP-DSCは,翻訳,回転,スケーリング,せん断といった共通変換の下で不変な表現的幾何学的特徴を効果的に捉えつつ,自明な頂点除去にも頑健であることが示唆された。さらに,提案手法の強い一般化能力を強調し,学習された幾何学的特徴を合成グリフ多角形から実世界の建築フットプリントへ伝達することを可能にする。

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)
Simplicial Representation Learning with Neural $k$-Forms [14.566552361705499]
本稿では,ノード座標を用いて,$mathbbRn$に埋め込まれた単体錯体から得られる幾何学的情報を活用することに焦点を当てる。我々は mathbbRn の微分 k-形式を用いて単純化の表現を作成し、メッセージパッシングなしに解釈可能性と幾何学的整合性を提供する。本手法は, グラフ, simplicial Complex, セルコンプレックスなど, 様々な入力コンプレックスに適用可能である。
論文参考訳（メタデータ） (2023-12-13T21:03:39Z)
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。