論文の概要: Graph Neural Networks for Semi-Supervised Image Classification with Multi-Feature Aggregation

• arxiv url: http://arxiv.org/abs/2606.17406v1
• Date: Tue, 16 Jun 2026 01:41:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.201012
• Title: Graph Neural Networks for Semi-Supervised Image Classification with Multi-Feature Aggregation
• Title（参考訳）: 多機能アグリゲーションを用いた半スーパービジョン画像分類のためのグラフニューラルネットワーク
• Authors: Marina Chagas Bulach Gapski, Vinicius Atsushi Sato Kawai, Gustavo Rosseto Leticio, Lucas Pascotti Valem, Daniel Carlos Guimarães Pedronette, Mohand Said Allili,
• Abstract要約: グラフニューラルネットワーク(GNN)は、半教師付き画像分類のための強力で広く採用されているアプローチである。 本研究では,多種多様な特徴集合とグラフ表現を統合することで,ラベル付きデータが不足するシナリオにおけるGNNの新たなアプローチを提案する。
• 参考スコア（独自算出の注目度）: 5.3161134188651955
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Feature extraction involves the identification and extraction of salient characteristics or patterns, including edges, textures, shapes, and color attributes. Contemporary feature extractors predominantly leverage deep learning architectures, such as Convolutional Neural Networks (CNNs) and Vision Transformers (VITs). The availability of diverse feature extractors in the literature provides a wide range of feature representations. Features extracted from an image depend on the specific application, the chosen extractor, and its configuration. Therefore, integrating complementary information by combining distinct extractors offers a promising way to enhance performance. Graph Neural Networks (GNNs), particularly Graph Convolutional Networks (GCNs), have emerged as powerful and widely adopted approaches for semi-supervised image classification, as they effectively leverage both labeled and unlabeled data while exploiting the underlying graph structures that capture relationships among samples. This study proposes a novel approach for GNNs in scenarios where labeled data is scarce, by integrating diverse sets of feature and graph representations derived from various extractors in classification scenarios. Experimental investigations were conducted, encompassing combinations of distinct feature and graph extractors, as well as rank aggregation strategies. The primary contributions of this work are underscored by the experimental findings, which demonstrate that the strategic combination of feature and graph representations, coupled with the application of manifold learning for graph processing, leads to significant improvements in classification accuracy across the majority of experimental conditions. Furthermore, the utilization of rank aggregation techniques to integrate features from different extractors was shown to enhance classification accuracy.
• Abstract（参考訳）: 特徴抽出には、エッジ、テクスチャ、形状、色属性を含む、健全な特徴やパターンの識別と抽出が含まれる。 現代の特徴抽出器は、畳み込みニューラルネットワーク(CNN)やビジョントランスフォーマー(VIT)といったディープラーニングアーキテクチャを主に活用している。 文献における多様な特徴抽出器の可用性は、幅広い特徴表現を提供する。 画像から抽出した特徴は、特定のアプリケーション、選択した抽出器、その構成に依存する。 したがって、異なる抽出器を組み合わせることで補完情報を統合することは、性能を高めるための有望な方法である。 グラフニューラルネットワーク(GNN)、特にグラフ畳み込みニューラルネットワーク(GCN)は、ラベル付きデータとラベルなしデータの両方を効果的に活用しつつ、サンプル間の関係をキャプチャする基盤となるグラフ構造を活用しながら、半教師付き画像分類に強力で広く採用されているアプローチとして登場した。 本研究では,分類シナリオにおいて,様々な抽出器から派生した多種多様な特徴集合とグラフ表現を統合することにより,ラベル付きデータが不足するシナリオにおけるGNNの新たなアプローチを提案する。 特徴抽出器とグラフ抽出器の組み合わせ,およびランクアグリゲーション戦略について実験的に検討した。 本研究の主な貢献は, 特徴表現とグラフ表現の戦略的組み合わせとグラフ処理への多様体学習の併用が, 実験条件の大部分において, 分類精度を著しく向上させることを示す実験結果である。 さらに, 分類精度を高めるために, 異なる抽出器の特徴を統合するために, ランクアグリゲーション技術を利用した。

関連論文リスト

• Multi-Relation Graph-Kernel Strengthen Network for Graph-Level Clustering [10.67474681549171]
  グラフレベルクラスタリングのためのマルチリレーショナルグラフカーネル強化ネットワーク(MGSN)を提案する。 MGSNは、ノードとグラフ間の多様な意味関係を捉えるために、マルチリレーショナルグラフを構築する。 リレーショナル・アウェアな表現改善戦略を設計し、ビュー間で多関係情報を適応的に整列させる。
  論文  参考訳（メタデータ） (2025-04-02T11:17:15Z)
• Multistage non-deterministic classification using secondary concept graphs and graph convolutional networks for high-level feature extraction [0.0]
  多様なトピックを持つドメインでは、グラフ表現は特徴間の相互関係を示す。 達成にもかかわらず、9つの決定論的クラスを予測および割り当てすることは、しばしばエラーを伴う。 二次概念グラフとグラフ畳み込みネットワークに基づく多段階非決定論的分類法を提案する。
  論文  参考訳（メタデータ） (2024-11-09T15:28:45Z)
• Subgraph Clustering and Atom Learning for Improved Image Classification [4.499833362998488]
  本稿では,特徴抽出のための畳み込みニューラルネットワーク(CNN)と構造モデリングのためのグラフニューラルネットワーク(GNN)の長所を融合した,新しいハイブリッド画像分類モデルであるグラフサブグラフネットワーク(GSN)を提案する。 GSNはk平均クラスタリングを使用してグラフノードをクラスタにグループ化し、サブグラフの作成を容易にする。 これらの部分グラフを使用して、辞書学習のための代表原子を学習し、スパースでクラス区別可能な特徴の識別を可能にする。
  論文  参考訳（メタデータ） (2024-07-20T06:32:00Z)
• Node Classification via Semantic-Structural Attention-Enhanced Graph Convolutional Networks [0.9463895540925061]
  SSA-GCN(Semantic-structure attention-enhanced graph convolutional Network)を導入する。 グラフ構造をモデル化するだけでなく、分類性能を高めるために一般化されていない特徴を抽出する。 Cora と CiteSeer のデータセットに対する実験により,提案手法による性能改善が実証された。
  論文  参考訳（メタデータ） (2024-03-24T06:28:54Z)
• 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)
• Learning Hierarchical Graph Representation for Image Manipulation Detection [50.04902159383709]
  画像操作検出の目的は、画像内の操作された領域を特定し、特定することである。 最近のアプローチでは、画像に残っている改ざんするアーティファクトをキャプチャするために、洗練された畳み込みニューラルネットワーク(CNN)が採用されている。 本稿では2つの並列分岐からなる階層型グラフ畳み込みネットワーク(HGCN-Net)を提案する。
  論文  参考訳（メタデータ） (2022-01-15T01:54:25Z)
• Attention-driven Graph Clustering Network [49.040136530379094]
  我々は、注意駆動グラフクラスタリングネットワーク(AGCN)という新しいディープクラスタリング手法を提案する。 AGCNは、ノード属性特徴とトポロジグラフ特徴を動的に融合するために、不均一な融合モジュールを利用する。 AGCNは、教師なしの方法で特徴学習とクラスタ割り当てを共同で行うことができる。
  論文  参考訳（メタデータ） (2021-08-12T02:30:38Z)
• Group Contrastive Self-Supervised Learning on Graphs [101.45974132613293]
  グラフ上での自己教師型学習をコントラッシブ手法を用いて研究する。 複数の部分空間におけるグラフの対比により、グラフエンコーダはより豊富な特徴を捉えることができる。
  論文  参考訳（メタデータ） (2021-07-20T22:09:21Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• Generative Hierarchical Features from Synthesizing Images [65.66756821069124]
  画像合成の学習は、広範囲のアプリケーションにまたがって一般化可能な顕著な階層的な視覚的特徴をもたらす可能性があることを示す。 生成的階層的特徴(Generative Hierarchical Feature, GH-Feat)と呼ばれるエンコーダが生成する視覚的特徴は、生成的タスクと識別的タスクの両方に強い伝達性を有する。
  論文  参考訳（メタデータ） (2020-07-20T18:04:14Z)

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。