論文の概要: Hierarchical Graph Feature Enhancement with Adaptive Frequency Modulation for Visual Recognition
- arxiv url: http://arxiv.org/abs/2508.11497v1
- Date: Fri, 15 Aug 2025 14:19:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-18 14:51:24.044561
- Title: Hierarchical Graph Feature Enhancement with Adaptive Frequency Modulation for Visual Recognition
- Title（参考訳）: 適応周波数変調を用いた視覚認識のための階層グラフ特徴強調
- Authors: Feiyue Zhao, Zhichao Zhang,
- Abstract要約: 畳み込みニューラルネットワーク(CNN)は、視覚認識タスクにおいて強力な性能を示している。
構造認識と特徴表現を両立させるため,CNNにグラフベース推論を統合する新しいフレームワークを提案する。
提案したHGFEモジュールは軽量でエンドツーエンドのトレーニングが可能で、標準のCNNバックボーンネットワークにシームレスに統合できる。
- 参考スコア（独自算出の注目度）: 6.580655899524989
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Convolutional neural networks (CNNs) have demonstrated strong performance in visual recognition tasks, but their inherent reliance on regular grid structures limits their capacity to model complex topological relationships and non-local semantics within images. To address this limita tion, we propose the hierarchical graph feature enhancement (HGFE), a novel framework that integrates graph-based rea soning into CNNs to enhance both structural awareness and feature representation. HGFE builds two complementary levels of graph structures: intra-window graph convolution to cap ture local spatial dependencies and inter-window supernode interactions to model global semantic relationships. Moreover, we introduce an adaptive frequency modulation module that dynamically balances low-frequency and high-frequency signal propagation, preserving critical edge and texture information while mitigating over-smoothing. The proposed HGFE module is lightweight, end-to-end trainable, and can be seamlessly integrated into standard CNN backbone networks. Extensive experiments on CIFAR-100 (classification), PASCAL VOC, and VisDrone (detection), as well as CrackSeg and CarParts (segmentation), validated the effectiveness of the HGFE in improving structural representation and enhancing overall recognition performance.
- Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)は、視覚認識タスクにおいて強力な性能を示しているが、通常のグリッド構造に依存しているため、画像内の複雑なトポロジ的関係や非局所的意味論をモデル化する能力に制限がある。
この制限に対処するために、構造認識と特徴表現の両方を強化するために、CNNにグラフベースのリアソーシングを統合する新しいフレームワークである階層グラフ機能拡張(HGFE)を提案する。
HGFEは2つの相補的なグラフ構造を構築する: 局所的な局所的依存関係をカプセル化するウィンドウ内グラフ畳み込みと、大域的意味関係をモデル化するウィンドウ間スーパーノード相互作用である。
さらに,低周波・高周波信号伝搬を動的にバランスさせ,過度な平滑化を緩和しつつ,臨界エッジやテクスチャ情報を保存する適応周波数変調モジュールを提案する。
提案したHGFEモジュールは軽量でエンドツーエンドのトレーニングが可能で、標準のCNNバックボーンネットワークにシームレスに統合できる。
CIFAR-100(分類)、PASCAL VOC、VisDrone(検出)、CrackSeg、CarParts(分離)の広範な実験により、構造表現の改善と全体的な認識性能の向上にHGFEの有効性が検証された。
関連論文リスト
- GCRPNet: Graph-Enhanced Contextual and Regional Perception Network For Salient Object Detection in Optical Remote Sensing Images [60.296124001189646]
本稿では,GCRPNet(Graph-enhanced contextual and Regional Recognition Network)を提案する。
これはMambaアーキテクチャの上に構築され、長距離依存関係を同時にキャプチャし、地域的特徴表現を強化する。
マルチスケールの畳み込みによって処理される特徴マップに対して適応的なパッチスキャンを行い、リッチなローカル領域情報をキャプチャする。
論文 参考訳（メタデータ） (2025-08-14T11:31:43Z) - Hierarchical Graph Attention Network for No-Reference Omnidirectional Image Quality Assessment [21.897948374713163]
現在のOIQA(Omnidirectional Image Quality Assessment)法は,局所的な非一様歪みの評価に苦慮している。
本稿では,ビューポート間の構造関係を明示的にモデル化するグラフニューラルネットワークを用いたOIQAフレームワークを提案する。
論文 参考訳（メタデータ） (2025-08-13T14:25:24Z) - TransGUNet: Transformer Meets Graph-based Skip Connection for Medical Image Segmentation [1.2186950360560143]
我々は、スキップ接続フレームワークを強化するために、注意的クロススケールグラフニューラルネットワーク(ACS-GNN)を導入する。
ACS-GNNは、クロススケールな特徴マップをグラフ構造に変換し、ノードの注意を通して複雑な解剖学的構造をキャプチャする。
我々のフレームワークであるTransGUNetは、ASS-GNNとEFSをベースとした空間 attentio から構成され、様々なモードでドメインの一般化性を高める。
論文 参考訳（メタデータ） (2025-02-14T05:54:13Z) - Matcha: Mitigating Graph Structure Shifts with Test-Time Adaptation [66.40525136929398]
テスト時間適応(TTA)は、ソースドメインに再アクセスすることなく、トレーニング済みのモデルをターゲットドメインに適応できる能力によって注目を集めている。
グラフの構造シフトへの効果的かつ効率的な適応を目的とした,革新的なフレームワークであるMatchaを提案する。
合成と実世界の両方のデータセットに対するMatchaの有効性を検証し、構造と属性シフトの様々な組み合わせにおける頑健さを実証した。
論文 参考訳（メタデータ） (2024-10-09T15:15:40Z) - A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。
我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。
GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
論文 参考訳（メタデータ） (2024-06-19T22:30:08Z) - DGNN: Decoupled Graph Neural Networks with Structural Consistency
between Attribute and Graph Embedding Representations [62.04558318166396]
グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。
ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。
複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
論文 参考訳（メタデータ） (2024-01-28T06:43:13Z) - Dynamic Graph Representation Learning via Edge Temporal States Modeling and Structure-reinforced Transformer [5.093187534912688]
本稿では,動的グラフ表現学習のための新しいフレームワークであるRecurrent Structure-Reinforced Graph Transformer (RSGT)を紹介する。
RSGTは、繰り返し学習パラダイムを通じて、グラフトポロジと進化力学の両方をコードする時間ノード表現をキャプチャする。
離散動的グラフ表現学習におけるRSGTの優れた性能を示し、動的リンク予測タスクにおける既存の手法よりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2023-04-20T04:12:50Z) - ASGNN: Graph Neural Networks with Adaptive Structure [41.83813812538167]
本稿では,アダプティブ構造(ASMP)を用いた新しい解釈可能なメッセージパッシング方式を提案する。
ASMPは、異なるレイヤにおけるメッセージパッシングプロセスが動的に調整されたグラフ上で実行可能であるという意味で適応的である。
論文 参考訳（メタデータ） (2022-10-03T15:10:40Z) - ACE-HGNN: Adaptive Curvature Exploration Hyperbolic Graph Neural Network [72.16255675586089]
本稿では、入力グラフと下流タスクに基づいて最適な曲率を適応的に学習する適応曲率探索ハイパーボリックグラフニューラルネットワークACE-HGNNを提案する。
複数の実世界のグラフデータセットの実験は、競争性能と優れた一般化能力を備えたモデル品質において、顕著で一貫したパフォーマンス改善を示す。
論文 参考訳（メタデータ） (2021-10-15T07:18:57Z) - Multi-Level Graph Convolutional Network with Automatic Graph Learning
for Hyperspectral Image Classification [63.56018768401328]
HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。
空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。
MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
論文 参考訳（メタデータ） (2020-09-19T09:26:20Z)
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。