論文の概要: Inferring the Graph Structure of Images for Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2509.04677v1
• Date: Thu, 04 Sep 2025 21:41:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-08 14:27:25.417395
• Title: Inferring the Graph Structure of Images for Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークのための画像のグラフ構造推定
• Authors: Mayur S Gowda, John Shi, Augusto Santos, José M. F. Moura,
• Abstract要約: 我々は、グリッドグラフとスーパーピクセル法に代わるグラフを見つけることにより、下流グラフニューラルネットワークタスクの精度を向上させる。 実験により、これらの異なるグラフ表現と特徴を下流GNNモデルへの入力として使用すると、従来のグリッドグラフやスーパーピクセル法よりも精度が向上することが示された。
• 参考スコア（独自算出の注目度）: 13.364838409095361
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image datasets such as MNIST are a key benchmark for testing Graph Neural Network (GNN) architectures. The images are traditionally represented as a grid graph with each node representing a pixel and edges connecting neighboring pixels (vertically and horizontally). The graph signal is the values (intensities) of each pixel in the image. The graphs are commonly used as input to graph neural networks (e.g., Graph Convolutional Neural Networks (Graph CNNs) [1, 2], Graph Attention Networks (GAT) [3], GatedGCN [4]) to classify the images. In this work, we improve the accuracy of downstream graph neural network tasks by finding alternative graphs to the grid graph and superpixel methods to represent the dataset images, following the approach in [5, 6]. We find row correlation, column correlation, and product graphs for each image in MNIST and Fashion-MNIST using correlations between the pixel values building on the method in [5, 6]. Experiments show that using these different graph representations and features as input into downstream GNN models improves the accuracy over using the traditional grid graph and superpixel methods in the literature.
• Abstract（参考訳）: MNISTのような画像データセットは、グラフニューラルネットワーク(GNN)アーキテクチャをテストするための重要なベンチマークである。 画像は、伝統的にグリッドグラフとして表現され、各ノードは、隣接するピクセル(垂直および水平に)を接続するピクセルとエッジを表す。 グラフ信号は画像の各ピクセルの値(強度)である。 グラフはグラフニューラルネットワーク(例えば、グラフ畳み込みニューラルネットワーク(Graph CNN) [1, 2]、グラフ注意ネットワーク(GAT) [3]、GatedGCN [4])への入力として一般的に使用される。 本研究では,[5, 6] のアプローチに従って,グリッドグラフの代替グラフと,データセット画像を表現するスーパーピクセル法を見出すことにより,ダウンストリームグラフニューラルネットワークタスクの精度を向上させる。 MNIST と Fashion-MNIST の各画像に対する行相関,列相関,および積グラフを,[5, 6] の手法に基づく画素値の相関関係を用いて求める。 実験により、これらの異なるグラフ表現と特徴を下流GNNモデルへの入力として使用すると、従来のグリッドグラフやスーパーピクセル法よりも精度が向上することが示された。

関連論文リスト

• Pixel-wise Graph Attention Networks for Person Re-identification [18.662170017063286]
  グラフ畳み込みネットワーク(GCN)は不規則データを扱うために広く使われている。 構造化データ(画像など)にGCNを適用する方法については、まだ深く研究されていない。 本稿では,画像特徴抽出におけるグラフアテンションネットワーク(GAT)の適用について検討する。
  論文  参考訳（メタデータ） (2023-07-18T12:12:42Z)
• Graph Mixup with Soft Alignments [49.61520432554505]
  本研究では,画像上での使用に成功しているミキサアップによるグラフデータの増大について検討する。 ソフトアライメントによるグラフ分類のための簡易かつ効果的な混合手法であるS-Mixupを提案する。
  論文  参考訳（メタデータ） (2023-06-11T22:04:28Z)
• Image Keypoint Matching using Graph Neural Networks [22.33342295278866]
  画像マッチング問題に対するグラフニューラルネットワークを提案する。 提案手法はまず,局所化ノード埋め込みを用いてキーポイント間の初期ソフト対応を生成する。 提案手法は,キーポイントアノテーションを用いた自然な画像データセット上で評価し,最先端のモデルと比較して,予測精度を犠牲にすることなく推論時間を高速化することを示す。
  論文  参考訳（メタデータ） (2022-05-27T23:38:44Z)
• KGNN: Harnessing Kernel-based Networks for Semi-supervised Graph Classification [13.419578861488226]
  半教師付きグラフ分類のための Kernel-based Graph Neural Network (KGNN) を提案する。 我々は,KGNNが競争ベースラインよりも優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2022-05-21T10:03:46Z)
• BiGCN: A Bi-directional Low-Pass Filtering Graph Neural Network [35.97496022085212]
  多くのグラフ畳み込みネットワークは、グラフ信号の低パスフィルタと見なすことができる。 本稿では,グラフニューラルネットワークを双方向低域通過フィルタとして表現する新しいモデルBiGCNを提案する。 私たちのモデルは、ほとんどのベンチマークデータセットのノード分類とリンク予測のタスクで、以前のグラフニューラルネットワークを上回っています。
  論文  参考訳（メタデータ） (2021-01-14T09:41:00Z)
• Line Graph Neural Networks for Link Prediction [71.00689542259052]
  実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。 このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。 本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。 特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
  論文  参考訳（メタデータ） (2020-10-20T05:54:31Z)
• Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
  グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。 標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。 総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2020-07-08T19:48:19Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)
• Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph Neural Networks [183.97265247061847]
  我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。 GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。 また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
  論文  参考訳（メタデータ） (2020-03-08T13:02:15Z)
• Graphon Pooling in Graph Neural Networks [169.09536309161314]
  グラフニューラルネットワーク(GNN)は、グラフによってモデル化された不規則構造上の信号の処理を含む様々なアプリケーションで効果的に使用されている。 本稿では,グラフのスペクトル特性を保存したグラフオンを用いて,GNNのプールとサンプリングを行う新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-03-03T21:04:20Z)

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。