論文の概要: Learning a General Model: Folding Clothing with Topological Dynamics

• arxiv url: http://arxiv.org/abs/2504.20720v1
• Date: Tue, 29 Apr 2025 13:00:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:54.893364
• Title: Learning a General Model: Folding Clothing with Topological Dynamics
• Title（参考訳）: 一般的なモデルを学ぶ: トポロジカルダイナミクスによる折りたたみ布
• Authors: Yiming Liu, Lijun Han, Enlin Gu, Hesheng Wang,
• Abstract要約: 衣服の状態を表す新しいトポロジグラフを設計する。 衣服の制約を表し、衣服の運動に関する予測を可能にする。 ジャケットを用いた実験は、アルゴリズムの有効性を検証する。
• 参考スコア（独自算出の注目度）: 11.194693804016282
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The high degrees of freedom and complex structure of garments present significant challenges for clothing manipulation. In this paper, we propose a general topological dynamics model to fold complex clothing. By utilizing the visible folding structure as the topological skeleton, we design a novel topological graph to represent the clothing state. This topological graph is low-dimensional and applied for complex clothing in various folding states. It indicates the constraints of clothing and enables predictions regarding clothing movement. To extract graphs from self-occlusion, we apply semantic segmentation to analyze the occlusion relationships and decompose the clothing structure. The decomposed structure is then combined with keypoint detection to generate the topological graph. To analyze the behavior of the topological graph, we employ an improved Graph Neural Network (GNN) to learn the general dynamics. The GNN model can predict the deformation of clothing and is employed to calculate the deformation Jacobi matrix for control. Experiments using jackets validate the algorithm's effectiveness to recognize and fold complex clothing with self-occlusion.
• Abstract（参考訳）: 衣服の高度な自由度と複雑な構造は、衣服の操作に重大な課題をもたらす。 本稿では,複雑な衣服を折り畳むための一般的なトポロジカルダイナミクスモデルを提案する。 目に見える折り畳み構造をトポロジカルスケルトンとして利用することにより,衣服の状態を表す新しいトポロジカルグラフを設計する。 この位相グラフは低次元であり、様々な折り畳み状態の複雑な衣服に適用される。 衣服の制約を表し、衣服の運動に関する予測を可能にする。 自己隠蔽からグラフを抽出するために, セマンティックセグメンテーションを適用し, 隠蔽関係を分析し, 衣服の構造を分解する。 分解された構造をキーポイント検出と組み合わせてトポロジグラフを生成する。 トポロジカルグラフの挙動を解析するために,改良されたグラフニューラルネットワーク(GNN)を用いて一般力学を学習する。 GNNモデルは衣服の変形を予測することができ、制御のための変形ヤコビ行列を計算するために使用される。 ジャケットを用いた実験は、自己閉塞性のある複雑な衣服を認識・折り畳むアルゴリズムの有効性を検証する。

関連論文リスト

• TopER: Topological Embeddings in Graph Representation Learning [8.052380377159398]
  トポロジカル進化速度 (TopER) は、トポロジカルデータ解析に基づく低次元埋め込み手法である。 TopERはグラフ部分構造の進化率を計算することによって、重要な位相的アプローチである永続化ホモロジーを単純化する。 我々のモデルは、分類、クラスタリング、可視化といったタスクにおいて、分子、生物学的、ソーシャルネットワークのデータセットにまたがる最先端の結果を達成したり、超えたりします。
  論文  参考訳（メタデータ） (2024-10-02T17:31:33Z)
• What Improves the Generalization of Graph Transformers? A Theoretical Dive into the Self-attention and Positional Encoding [67.59552859593985]
  自己アテンションと位置エンコーディングを組み込んだグラフトランスフォーマーは、さまざまなグラフ学習タスクのための強力なアーキテクチャとして登場した。 本稿では,半教師付き分類のための浅いグラフ変換器の理論的検討について紹介する。
  論文  参考訳（メタデータ） (2024-06-04T05:30:16Z)
• GraphGLOW: Universal and Generalizable Structure Learning for Graph Neural Networks [72.01829954658889]
  本稿では,この新たな問題設定の数学的定義を紹介する。 一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。 十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
  論文  参考訳（メタデータ） (2023-06-20T03:33:22Z)
• HOOD: Hierarchical Graphs for Generalized Modelling of Clothing Dynamics [84.29846699151288]
  本手法は体型によらず, ゆるく自由な衣服だけでなく, タイトフィットの衣服にも適用できる。 1つの重要な貢献として、厳密なストレッチモードを効率的に伝播する階層的なメッセージパッシング方式を提案する。
  論文  参考訳（メタデータ） (2022-12-14T14:24:00Z)
• Topological Relational Learning on Graphs [2.4692806302088868]
  グラフニューラルネットワーク(GNN)は、グラフ分類と表現学習のための強力なツールとして登場した。 本稿では,GNNに高階グラフ情報を統合可能な新しいトポロジカルリレーショナル推論(TRI)を提案する。 新しいTRI-GNNは、6つの7つのグラフで14の最先端のベースラインを上回り、摂動に対して高い堅牢性を示すことを示す。
  論文  参考訳（メタデータ） (2021-10-29T04:03:27Z)
• Learning to Learn Graph Topologies [27.782971146122218]
  ノードデータからグラフ構造へのマッピングを学習する(L2O)。 このモデルは、ノードデータとグラフサンプルのペアを使ってエンドツーエンドでトレーニングされる。 合成データと実世界のデータの両方の実験により、我々のモデルは、特定のトポロジ特性を持つグラフを学習する際の古典的反復アルゴリズムよりも効率的であることが示された。
  論文  参考訳（メタデータ） (2021-10-19T08:42:38Z)
• GraphOpt: Learning Optimization Models of Graph Formation [72.75384705298303]
  本稿では,グラフ構造形成の暗黙的モデルを学ぶエンドツーエンドフレームワークを提案し,その基盤となる最適化機構を明らかにする。 学習した目的は、観測されたグラフプロパティの説明として機能し、ドメイン内の異なるグラフを渡すために自分自身を貸すことができる。 GraphOptは、グラフ内のリンク生成をシーケンシャルな意思決定プロセスとして、最大エントロピー逆強化学習アルゴリズムを用いて解決する。
  論文  参考訳（メタデータ） (2020-07-07T16:51:39Z)
• Structural Landmarking and Interaction Modelling: on Resolution Dilemmas in Graph Classification [50.83222170524406]
  解法ジレンマの統一概念に基づくグラフ分類における本質的難易度の研究」 構造ランドマークと相互作用モデリングのためのインダクティブニューラルネットワークモデルSLIM'を提案する。
  論文  参考訳（メタデータ） (2020-06-29T01:01:42Z)
• GoGNN: Graph of Graphs Neural Network for Predicting Structured Entity Interactions [70.9481395807354]
  本稿では,構造化エンティティグラフとエンティティ相互作用グラフの両方の特徴を階層的に抽出するグラフ・オブ・グラフニューラルネットワーク(GoGNN)を提案する。 GoGNNは、2つの代表的な構造化エンティティ相互作用予測タスクにおいて最先端の手法より優れている。
  論文  参考訳（メタデータ） (2020-05-12T03:46:15Z)
• Topological Mapping for Manhattan-like Repetitive Environments [17.434289865953424]
  屋内の倉庫環境に挑戦するトポロジカルマッピングフレームワークについて紹介する。 我々は、トポロジカルグラフやマンハッタングラフといった抽象概念の維持が、正確なポースグラフの復元に役立つことを示す。
  論文  参考訳（メタデータ） (2020-02-16T13:20:28Z)

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。