論文の概要: MS-DGCNN++: A Multi-Scale Fusion Dynamic Graph Neural Network with Biological Knowledge Integration for LiDAR Tree Species Classification

• arxiv url: http://arxiv.org/abs/2507.12602v1
• Date: Wed, 16 Jul 2025 19:44:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-18 20:10:24.259801
• Title: MS-DGCNN++: A Multi-Scale Fusion Dynamic Graph Neural Network with Biological Knowledge Integration for LiDAR Tree Species Classification
• Title（参考訳）: MS-DGCNN++:LiDAR木分類のための生物学的知識統合型マルチスケール核融合動的グラフニューラルネットワーク
• Authors: Said Ohamouddou, Abdellatif El Afia, Hanaa El Afia, Raddouane Chiheb,
• Abstract要約: 森林環境の複雑な幾何学構造のため,地球上のLiDAR点雲からの樹種分類は困難である。 局所,分枝,対流スケールで意味的に意味のある特徴抽出を利用する階層型マルチスケール・フュージョン・ダイナミックグラフ畳み込みネットワークであるMS-DGCNN++を提案する。 本手法は,競争精度を維持しつつ,資源制約のあるアプリケーションに適した手法である。
• 参考スコア（独自算出の注目度）: 1.6874375111244329
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tree species classification from terrestrial LiDAR point clouds is challenging because of the complex multi-scale geometric structures in forest environments. Existing approaches using multi-scale dynamic graph convolutional neural networks (MS-DGCNN) employ parallel multi-scale processing, which fails to capture the semantic relationships between the hierarchical levels of the tree architecture. We present MS-DGCNN++, a hierarchical multiscale fusion dynamic graph convolutional network that uses semantically meaningful feature extraction at local, branch, and canopy scales with cross-scale information propagation. Our method employs scale-specific feature engineering, including standard geometric features for the local scale, normalized relative vectors for the branch scale, and distance information for the canopy scale. This hierarchical approach replaces uniform parallel processing with semantically differentiated representations that are aligned with the natural tree structure. Under the same proposed tree species data augmentation strategy for all experiments, MS-DGCNN++ achieved an accuracy of 94.96 \% on STPCTLS, outperforming DGCNN, MS-DGCNN, and the state-of-the-art model PPT. On FOR-species20K, it achieves 67.25\% accuracy (6.1\% improvement compared to MS-DGCNN). For standard 3D object recognition, our method outperformed DGCNN and MS-DGCNN with overall accuracies of 93.15\% on ModelNet40 and 94.05\% on ModelNet10. With lower parameters and reduced complexity compared to state-of-the-art transformer approaches, our method is suitable for resource-constrained applications while maintaining a competitive accuracy. Beyond tree classification, the method generalizes to standard 3D object recognition, establishing it as a versatile solution for diverse point cloud processing applications. The implementation code is publicly available at https://github.com/said-ohamouddou/MS-DGCNN2.
• Abstract（参考訳）: 森林環境の複雑な多スケール構造のため,地球上のLiDAR点雲からの樹種分類は困難である。 マルチスケール動的グラフ畳み込みニューラルネットワーク(MS-DGCNN)を用いた既存のアプローチでは、並列なマルチスケール処理が採用されている。 我々は,局所的,分枝的,天蓋的な特徴抽出に意味的を利用した階層的マルチスケール・フュージョン・ダイナミックグラフ畳み込みネットワークMS-DGCNN++を提案する。 本手法では,局所スケールの標準的な幾何学的特徴,分岐スケールの正規化相対ベクトル,キャノピースケールの距離情報など,スケール固有の特徴工学を用いる。 この階層的アプローチは、一様並列処理を自然な木構造に整合した意味的に区別された表現に置き換える。 MS-DGCNN++は、すべての実験で提案された木種データ拡張戦略の下で、STPCTLSで94.96 \%の精度を達成し、DGCNN、MS-DGCNN、最先端のPPTを上回った。 FOR-species20Kでは67.25\%の精度(MS-DGCNNと比較して6.1\%の改善)を達成する。 標準の3Dオブジェクト認識では,DGCNNとMS-DGCNNでは,ModelNet40では93.15\%,ModelNet10では94.05\%であった。 提案手法は, 資源制約型アプリケーションに適しており, 競合精度を保ちながら, パラメータが低く, 複雑度も低い。 ツリー分類以外にも、この手法は標準的な3Dオブジェクト認識に一般化され、多様なポイントクラウド処理アプリケーションのための汎用的なソリューションとして確立されている。 実装コードはhttps://github.com/said-ohamouddou/MS-DGCNN2で公開されている。

関連論文リスト

• MSGCN: Multiplex Spatial Graph Convolution Network for Interlayer Link Weight Prediction [0.27624021966289597]
  リンクウェイト予測は、バイナリリンク分類に比べて複雑さが増すため、より強調されている。 本稿では,複数層にまたがって情報を空間的に埋め込み,層間リンク重みを推定する多層空間グラフ畳み込みネットワーク(MSGCN)を提案する。 MSGCNモデルは空間グラフの畳み込みを多重ネットワークに一般化し、複数の層にまたがるノードの幾何学的構造を捉える。
  論文  参考訳（メタデータ） (2025-04-24T17:08:16Z)
• Graph Neural Networks Need Cluster-Normalize-Activate Modules [19.866482154218374]
  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非ユークリッドディープラーニングモデルである。 本稿では,CNA(Cluster-Normalize-Activate)という3つのステップからなるプラグアンドプレイモジュールを提案する。 CNAはノード分類とプロパティ予測タスクにおける最先端の精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-12-05T10:59:20Z)
• Pruning Deep Convolutional Neural Network Using Conditional Mutual Information [10.302118493842647]
  畳み込みニューラルネットワーク(CNN)は、画像分類タスクにおいて高い性能を達成するが、リソース制限ハードウェアへのデプロイは困難である。 本稿では,各層における最も情報性の高い特徴を識別し,選択的に保持するCNNに対して,構造化されたフィルタ解析手法を提案する。
  論文  参考訳（メタデータ） (2024-11-27T18:23:59Z)
• HyperKAN: Kolmogorov-Arnold Networks make Hyperspectral Image Classificators Smarter [0.0699049312989311]
  本稿では,従来のネットワークの線形層と畳み込み層をKANベースのネットワークに置き換えることを提案する。 これらの修正により,高スペクトルリモートセンシング画像の画素単位の分類精度が大幅に向上した。 最も大きな効果は、スペクトルデータのみを扱う畳み込みネットワークにおいて達成された。
  論文  参考訳（メタデータ） (2024-07-07T06:36:09Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
  埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。 EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。 提案手法はいくつかの最先端手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-11-19T09:08:43Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Learning Hierarchical Graph Neural Networks for Image Clustering [81.5841862489509]
  本稿では,画像の集合を未知の個数にクラスタリングする方法を学ぶ階層型グラフニューラルネットワーク(GNN)モデルを提案する。 我々の階層的なGNNは、階層の各レベルで予測される連結コンポーネントをマージして、次のレベルで新しいグラフを形成するために、新しいアプローチを用いています。
  論文  参考訳（メタデータ） (2021-07-03T01:28:42Z)
• Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
  我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。 ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
  論文  参考訳（メタデータ） (2020-11-26T14:43:04Z)
• Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action Recognition [57.98278794950759]
  グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。 本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。 提案手法を,現在最大規模の2つの3次元データセット上で評価する。
  論文  参考訳（メタデータ） (2020-07-30T18:23:18Z)

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。