Fugu-MT 論文翻訳(概要): 3D Weighted Geometric Graph Neural Networks for Sheep Facial Pain Assessment

論文の概要: 3D Weighted Geometric Graph Neural Networks for Sheep Facial Pain Assessment

arxiv url: http://arxiv.org/abs/2608.11050v1
Date: Tue, 11 Aug 2026 15:21:36 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-12 19:14:46.10207
Title: 3D Weighted Geometric Graph Neural Networks for Sheep Facial Pain Assessment
Title（参考訳）: 深部顔面痛評価のための3次元重み付き幾何グラフニューラルネットワーク
Abstract要約: ディープラーニングシステムは、主に1つの画像領域の2D内で動作し、顔を1次元表現として扱う。本稿では,単分子深度対応幾何グラフニューラルネットワークシステムであるbf3D Sheep Pain Facial Expression System (3D-SPFES)を提案する。システムは、それぞれのSPFES顔のランドマーク(耳、目、鼻など)を、単一のRGBカメラから推定される3Dユークリッド空間に統合する。
参考スコア（独自算出の注目度）: 4.911739261657389
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep learning systems perform mainly within the 2D for a single image domain and take the face as a single-dimension representation, losing sight of the 3D anatomy of sheep and cross-landmark spatial relationships that are intrinsic to the clinically proven Sheep Pain Facial Expression Scale (SPFES). This paper presents the \textbf{3D Sheep Pain Facial Expression System (3D-SPFES)}, a novel, monocular depth-aware geometric graph neural network system that integrates each SPFES facial landmark, such as the ears, eyes, and nose, into 3D Euclidean space estimated from a single RGB camera by using VideoDepthAnything, thus preventing the need for specialized depth hardware. Each landmark node includes a feature vector containing its 3D spatial coordinates, estimated surface normal, and facial attribute class embedding. Edges linked to nodes are assigned weights based on an aggregate metric that combines both Euclidean distance and surface co-planarity in a 3D space. A Weighted Geometric Graph Neural Network (WG-GNN) studies this graph using $\mathcal{K} = 3$ geometry-aware message-passing layers enhanced by a scaled dot-product attention method that selectively enhances anatomically relevant inter-landmark messages. The resultant node embeddings are combined into $\mathcal{O} = 3$ pain-level clusters and integrated into a Normalized Pain Score (NPS) within the range of $[0, 100%]$ a confidence-weighted, SPFES-derived scoring method.
Abstract（参考訳）: 深層学習システムは、主に1つの画像領域の2D内で機能し、顔面を1次元の表現として捉え、臨床的に証明された深部痛表情尺度(SPFES)に固有の羊の3D解剖学とランドマーク間の空間的関係を見失う。本稿では,1台のRGBカメラから推定される3次元ユークリッド空間に,耳,目,鼻などのSPFESの顔のランドマークを統合した新しいモノクラー深度対応幾何グラフニューラルネットワークシステムである「textbf{3D Sheep Pain Facial Expression System(3D-SPFES)」について,ビデオDepthAnythingを用いて述べる。各ランドマークノードは、3次元空間座標、推定表面正規度、顔属性クラス埋め込みを含む特徴ベクトルを含む。ノードにリンクされたエッジは、ユークリッド距離と3次元空間の表面共平面性の両方を組み合わせた集約計量に基づいて、重み付けされる。 A Weighted Geometric Graph Neural Network (WG-GNN) は、このグラフを$\mathcal{K} = 3$ geometry-aware message-passing layer を用いて研究している。結果として得られるノードの埋め込みは、$\mathcal{O} = 3$ pain-level clusterに結合され、$[0, 100%]$の信頼重み付きSPFES由来のスコアリング手法の範囲内で正規化痛みスコア(NPS)に統合される。

関連論文リスト

Facial Spatiotemporal Graphs: Leveraging the 3D Facial Surface for Remote Physiological Measurement [20.67961570985004]
顔表面の微妙な色変化を時間とともにモデル化することで生理的信号を推定する。既存の方法は、R信号の空間的支持である3次元顔表面と、その受容野を明示的に整合させることができない。顔色を符号化し、3Dメッシュシーケンスを使用する表情表現である顔時間グラフ(STGraph)を提案する。本稿では,STGraph上で信号推定を行うクリティカルグラフ畳み込みネットワークであるMeshPhysを紹介する。
論文参考訳（メタデータ） (2026-01-20T08:29:44Z)
GRACE: Estimating Geometry-level 3D Human-Scene Contact from 2D Images [54.602947113980655]
人景接触の幾何レベルを推定することは、特定の接触面点を3次元の人間ジオメトリに接することを目的としている。 GRACE(Geometry-level Reasoning for 3D Human-scene Contact Estimation)は,3次元接触推定のための新しいパラダイムである。ポイントクラウドエンコーダ/デコーダアーキテクチャと階層的特徴抽出と融合モジュールが組み込まれている。
論文参考訳（メタデータ） (2025-05-10T09:25:46Z)
Graphics Capsule: Learning Hierarchical 3D Face Representations from 2D Images [82.5266467869448]
Inverse Graphics Capsule Network (IGC-Net) を提案する。 IGC-Netはまずオブジェクトをセマンティック一貫性のある部分レベルの記述の集合に分解し、それらをオブジェクトレベルの記述に組み立てて階層を構築する。
論文参考訳（メタデータ） (2023-03-20T06:32:55Z)
GraphCSPN: Geometry-Aware Depth Completion via Dynamic GCNs [49.55919802779889]
本稿では,グラフ畳み込みに基づく空間伝搬ネットワーク(GraphCSPN)を提案する。本研究では、幾何学的表現学習において、畳み込みニューラルネットワークとグラフニューラルネットワークを相補的に活用する。提案手法は,数段の伝搬ステップのみを使用する場合と比較して,最先端の性能を実現する。
論文参考訳（メタデータ） (2022-10-19T17:56:03Z)
Joint Deep Multi-Graph Matching and 3D Geometry Learning from Inhomogeneous 2D Image Collections [57.60094385551773]
非均質な画像コレクションから変形可能な3Dジオメトリモデルを学ぶためのトレーニング可能なフレームワークを提案する。さらに,2次元画像で表現された物体の3次元形状も取得する。
論文参考訳（メタデータ） (2021-03-31T17:25:36Z)
Spherical Message Passing for 3D Graph Networks [40.10938363608572]
本稿では,各ノードが空間的位置と関連付けられている3次元グラフからの表現学習について考察する。本稿では,3次元グラフネットワーク(3DGN)と呼ばれる汎用フレームワークを提案する。幾何学的情報の物理的表現を導出し、3次元グラフの表現を学習するためのSphereNetを提案する。
論文参考訳（メタデータ） (2021-02-09T18:31:23Z)
TSGCNet: Discriminative Geometric Feature Learning with Two-Stream GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。 3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
論文参考訳（メタデータ） (2020-12-26T08:02:56Z)
Learning Geometry-Disentangled Representation for Complementary Understanding of 3D Object Point Cloud [50.56461318879761]
3次元画像処理のためのGDANet(Geometry-Disentangled Attention Network)を提案する。 GDANetは、点雲を3Dオブジェクトの輪郭と平らな部分に切り離し、それぞれ鋭い変化成分と穏やかな変化成分で表される。 3Dオブジェクトの分類とセグメンテーションベンチマークの実験は、GDANetがより少ないパラメータで最先端の処理を実現していることを示している。
論文参考訳（メタデータ） (2020-12-20T13:35:00Z)
3D Facial Geometry Recovery from a Depth View with Attention Guided Generative Adversarial Network [27.773904952734547]
Atention Guided Generative Adversarial Networks (AGGAN) の提案により, 単一深度から完全な3次元顔形状を復元する。具体的には、AGGANは、ボクセル空間内の3次元顔形状を符号化し、注意誘導型GANを用いて2.5次元深度3Dマッピングをモデル化する。定性的かつ定量的な比較は、AGGANが従来の方法よりも広い視野角を処理し、ノイズに抵抗する能力を持ち、より完全で滑らかな3D顔形状を復元することを示している。
論文参考訳（メタデータ） (2020-09-02T10:35:26Z)
PUGeo-Net: A Geometry-centric Network for 3D Point Cloud Upsampling [103.09504572409449]
PUGeo-Netと呼ばれる新しいディープニューラルネットワークを用いた一様高密度点雲を生成する手法を提案する。その幾何学中心の性質のおかげで、PUGeo-Netはシャープな特徴を持つCADモデルとリッチな幾何学的詳細を持つスキャンされたモデルの両方でうまく機能する。
論文参考訳（メタデータ） (2020-02-24T14:13:29Z)

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。