論文の概要: Robust Graph Matching through Semantic Relationship Generation for SLAM

• arxiv url: http://arxiv.org/abs/2604.25404v1
• Date: Tue, 28 Apr 2026 09:15:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-29 16:49:17.790177
• Title: Robust Graph Matching through Semantic Relationship Generation for SLAM
• Title（参考訳）: SLAMの意味関係生成によるロバストグラフマッチング
• Authors: David Perez-Saura, Jose Andres Millan-Romera, Miguel Fernandez-Cortizas, Holger Voos, Pascual Campoy, Jose Luis Sanchez-Lopez,
• Abstract要約: Scene Graphsは、ローカルに観測されたグラフと事前マップをマッチングすることで、構造化された屋内環境のローカライズを可能にする。 本稿では,検出対象と構造要素の関係を明示的にモデル化する意味強化グラフマッチング手法を提案する。 その結果、意味的関係は、候補マッチングの数を大幅に減らし、計算効率を向上し、より高速な収束を可能にした。
• 参考スコア（独自算出の注目度）: 0.15635627702544694
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph-based representations such as Scene Graphs enable localization in structured indoor environments by matching a locally observed graph, constructed from sensor data, to a prior map. This process is particularly challenging in environments with repetitive or symmetric layouts, where structural cues alone are often insufficient to resolve ambiguities. We propose a semantic-enhanced graph matching approach that explicitly models relations between detected objects and structural elements, such as rooms and wall planes. Objects are detected from RGB-D data and integrated into the graph, and their relations to structural elements are exploited to filter candidate correspondences prior to geometric verification, significantly reducing ambiguity and search complexity. The proposed method is integrated within the iS-Graphs framework and evaluated in synthetic and simulated environments. Results show that semantic relations significantly reduce the number of candidate matches, improve computational efficiency, and enable faster convergence, particularly in symmetric scenarios where purely geometric approaches fail.
• Abstract（参考訳）: Scene Graphsのようなグラフベースの表現は、センサーデータから構築された局所的に観測されたグラフと事前マップとをマッチングすることにより、構造化屋内環境におけるローカライズを可能にする。 このプロセスは、繰り返しまたは対称なレイアウトを持つ環境では特に困難であり、構造的な手がかりだけでは曖昧さを解決するのに不十分であることが多い。 本研究では,検出対象と部屋や壁面などの構造要素との関係を明示的にモデル化する意味強化グラフマッチング手法を提案する。 オブジェクトはRGB-Dデータから検出され、グラフに統合され、構造要素との関係を利用して、幾何学的検証の前に候補対応をフィルタリングし、あいまいさと探索の複雑さを著しく低減する。 提案手法は,iS-Graphsフレームワークに統合され,合成およびシミュレーション環境で評価される。 結果から, 意味的関係は, マッチング数を大幅に削減し, 計算効率を向上し, より高速な収束を可能にした。

関連論文リスト

• Graph Smoothing for Enhanced Local Geometry Learning in Point Cloud Analysis [19.545338629365894]
  グラフベースの手法は、3Dポイントクラウド分析のポイント間の関係を捉えるのに有効であることが証明されている。 これらの手法は、境界点における疎結合とジャンクション領域におけるノイズ結合により、しばしば準最適グラフ構造に悩まされる。 グラフ構造を最適化し、信頼できないスパース接続とノイズ接続の負の影響を最小限に抑えるために設計されたグラフ平滑化モジュールを導入する。
  論文  参考訳（メタデータ） (2026-01-16T09:01:44Z)
• Edge-Centric Relational Reasoning for 3D Scene Graph Prediction [74.19580969696898]
  3Dシーングラフ予測は、複雑な3D環境をオブジェクトとそのペア関係からなる構造化グラフに抽象化することを目的としている。 既存のアプローチでは、接続されたオブジェクトノードからメッセージを集約することで、関係エッジ機能を反復的に更新するオブジェクト中心のグラフニューラルネットワークが一般的である。 本稿では,オブジェクト認識融合を用いたリンク誘導エッジ中心関係推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-19T09:53:56Z)
• A Unified Framework for Interactive Visual Graph Matching via Attribute-Structure Synchronization [4.4315876561900165]
  インタラクティブなビジュアルグラフマッチングのための新しいフレームワークを提案する。 提案手法では,構造的特徴と属性的特徴を表現するために属性-構造同期法を開発した。 デザインされたインターフェイスでは、ユーザーは望む構造的およびセマンティックな特徴を持つ新しいターゲットグラフを指定できる。
  論文  参考訳（メタデータ） (2025-07-26T02:47:09Z)
• Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
  グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。 本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。 ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
  論文  参考訳（メタデータ） (2024-12-20T04:05:09Z)
• Geometry of the Space of Partitioned Networks: A Unified Theoretical and Computational Framework [3.69102525133732]
  ネットワークの空間」は、従来の統計ツールでは適切に記述できない複雑な構造を持つ。 本稿では,グラフやハイパーグラフ,あるいはノードが分類クラスに分割されたグラフなどの一般化されたネットワーク構造をモデル化するための測度理論形式について紹介する。 我々は、我々の計量が非負曲率のアレクサンドロフ空間であることを示し、この構造を利用して、幾何データ解析タスクで一般的に生じる特定の関数の勾配を定義する。
  論文  参考訳（メタデータ） (2024-09-10T07:58:37Z)
• Graph Vertex Embeddings: Distance, Regularization and Community Detection [0.0]
  グラフ埋め込みは、低次元空間における複雑なネットワーク構造を表現する強力なツールとして登場した。 異なる頂点間の位相的距離を忠実に捉えるフレキシブル距離関数の族を示す。 ベンチマークデータセットのホスト上でコミュニティ検出を行うことにより,提案手法の有効性を評価する。
  論文  参考訳（メタデータ） (2024-04-09T09:03:53Z)
• Improving embedding of graphs with missing data by soft manifolds [51.425411400683565]
  グラフ埋め込みの信頼性は、連続空間の幾何がグラフ構造とどの程度一致しているかに依存する。 我々は、この問題を解決することができる、ソフト多様体と呼ばれる新しい多様体のクラスを導入する。 グラフ埋め込みにソフト多様体を用いることで、複雑なデータセット上のデータ解析における任意のタスクを追求するための連続空間を提供できる。
  論文  参考訳（メタデータ） (2023-11-29T12:48:33Z)
• Relation Regularized Scene Graph Generation [206.76762860019065]
  SGG(Scene Graph Generation)は、検出されたオブジェクトの上に構築され、オブジェクトのペアの視覚的関係を予測する。 本稿では,2つのオブジェクト間の関係を予測できる関係正規化ネットワーク(R2-Net)を提案する。 我々のR2-Netはオブジェクトラベルを効果的に洗練し、シーングラフを生成する。
  論文  参考訳（メタデータ） (2022-02-22T11:36:49Z)
• SIGMA: A Structural Inconsistency Reducing Graph Matching Algorithm [21.1095092767297]
  グラフマッチングの精度、構造的不整合(SI)を測定するための新しい基準を提案する。 具体的には、SIは、グラフのマルチホップ構造に対応するために熱拡散ウェーブレットを組み込む。 ミラー降下法を用いて,新しいK-ホップ構造に基づくマッチングコストでGromov-Wasserstein距離を解くことにより,SIGMAを導出可能であることを示す。
  論文  参考訳（メタデータ） (2022-02-06T15:18:37Z)
• Spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image [88.60285937702304]
  本稿では、HSIデータクラスタリングのための空間スペクトルクラスタリングとアンカーグラフ(SSCAG)という新しい非監視アプローチを提案する。 提案されたSSCAGは最先端のアプローチと競合する。
  論文  参考訳（メタデータ） (2021-04-24T08:09:27Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)

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。