論文の概要: Exploring Learning Models for Topological Relationship Recognition from Image Data
- arxiv url: http://arxiv.org/abs/2609.36172v1
- Date: Mon, 28 Sep 2026 19:42:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:46.975998
- Title: Exploring Learning Models for Topological Relationship Recognition from Image Data
- Title（参考訳）: 画像データからのトポロジカルな関係認識のための学習モデルの検討
- Abstract要約: 画像のトポロジカルな関係は、GIS、バイオメディカルイメージング、ロボット工学といった分野において重要である。
機械学習は長い道のりを歩んできたが、人々は画像にこれらのトポロジ的関係を見出すことにはあまり注力していない。
11,000枚以上のラベル付き画像は、これらすべての重要な関係を示している。
私たちは、Naive Bayes、KNN、Random Forest、SVM、Artificial Neural Networksといった古典的な機械学習モデルでテストを実行しました。
深層学習法、特にVGG16は、検証精度が89.55%に達した。
- 参考スコア（独自算出の注目度）: 3.3588764487158795
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Figuring out how objects relate to each other, like whether they touch, overlap, stay completely separate or one sits inside another, matters a lot in fields like GIS, biomedical imaging, and robotics. Even though machine learning has come a long way, people haven't really focused on spotting these topological relationships in images. The main roadblocks? Not enough good datasets and no clear way to measure results. So, we rolled up our sleeves and built a new dataset. It's pretty sizable: over 11,000 labelled images showing all those essential relationships. We ran tests with some classic machine learning models, Naive Bayes, KNN, Random Forest, SVM, and Artificial Neural Networks, and threw in some deep learning stars like VGG16 and InceptionResNetV2. For the dataset itself, we used segmentation, contour detection, and grayscale normalization to tease out solid feature vectors. The results? Deep learning methods, especially VGG16, pulled ahead, with validation accuracy hitting 89.55%. That's a big jump compared to the traditional models. This shows how powerful transfer learning is for analyzing topological relationships in images, and it gives researchers a new standard to aim for in future work on spatial reasoning and topological classification.
- Abstract（参考訳）: GIS、バイオメディカルイメージング、ロボット工学といった分野において、物体が触れたり、重なり合ったり、完全に分離された状態に留まったり、ある物体が他の物体とどのように関係しているかを調べることは、非常に重要である。
機械学習は長い道のりを歩んできたが、人々は画像にこれらのトポロジ的関係を見出すことにはあまり注力していない。
主要道路ブロックは?
十分なデータセットがなく、結果を測定する明確な方法もない。
そこで、スリーブをロールアップして、新しいデータセットを構築しました。
1万1000枚以上のラベル付き画像が、これらすべての重要な関係を示しています。
私たちはいくつかの古典的な機械学習モデル、Naive Bayes、KNN、Random Forest、SVM、Artificial Neural Networksでテストを行い、VGG16やInceptionResNetV2といった深層学習の星を投げ入れました。
データセット自体に対して、セグメンテーション、輪郭検出、グレースケール正規化を使用して、固体特徴ベクトルをティーズアウトした。
結果は?
深層学習法、特にVGG16は、検証精度が89.55%に達した。
これは従来のモデルと比べて大きな飛躍です。
このことは、画像中のトポロジカルな関係を分析するのにトランスファーラーニングがいかに強力であるかを示し、空間的推論とトポロジカルな分類に関する将来の研究において、研究者が目指す新しい標準を与える。
関連論文リスト
- What's "up" with vision-language models? Investigating their struggle
with spatial reasoning [76.2406963762722]
3つの新しいコーパスは基本空間関係のモデル理解を定量化する。
我々は18の視覚言語(VL)モデルを評価し、全てが不十分であることが判明した。
私たちはこの驚くべき行動の原因を研究することで結論付ける。
論文 参考訳（メタデータ） (2023-10-30T17:50:15Z) - Learning from few examples: Classifying sex from retinal images via deep
learning [3.9146761527401424]
基礎画像から患者の性別を分類するために,小データセット上でのDLの性能について紹介する。
約2500基の画像を用いて開発した本モデルでは,最大0.72点のAUCスコアが得られた。
これは、データセットサイズが1000倍近く減少しているにもかかわらず、わずか25%のパフォーマンス低下に相当する。
論文 参考訳（メタデータ） (2022-07-20T02:47:29Z) - A Variational Graph Autoencoder for Manipulation Action Recognition and
Prediction [1.1816942730023883]
シンボルシーングラフから操作タスクの認識と予測を共同で学習するディープグラフオートエンコーダを提案する。
我々のネットワークは2つの分岐を持つ変分オートエンコーダ構造を持ち、1つは入力グラフタイプを識別し、もう1つは将来のグラフを予測する。
提案手法は,MANIACとMSRC-9の2つの異なるデータセット上で異なる最先端手法に対してベンチマークを行い,提案手法がより優れた性能を実現することを示す。
論文 参考訳（メタデータ） (2021-10-25T21:40:42Z) - Revisiting Contrastive Methods for Unsupervised Learning of Visual
Representations [78.12377360145078]
対照的な自己教師型学習は、セグメンテーションやオブジェクト検出といった多くの下流タスクにおいて教師付き事前訓練よりも優れています。
本稿では,データセットのバイアスが既存手法にどのように影響するかを最初に検討する。
現在のコントラストアプローチは、(i)オブジェクト中心対シーン中心、(ii)一様対ロングテール、(iii)一般対ドメイン固有データセットなど、驚くほどうまく機能することを示す。
論文 参考訳（メタデータ） (2021-06-10T17:59:13Z) - REGRAD: A Large-Scale Relational Grasp Dataset for Safe and
Object-Specific Robotic Grasping in Clutter [52.117388513480435]
本稿では,オブジェクト間の関係のモデル化を継続するregradという新しいデータセットを提案する。
データセットは2D画像と3Dポイントクラウドの両方で収集されます。
ユーザは、好きなだけ多くのデータを生成するために、自由に独自のオブジェクトモデルをインポートできる。
論文 参考訳（メタデータ） (2021-04-29T05:31:21Z) - LIGHTEN: Learning Interactions with Graph and Hierarchical TEmporal
Networks for HOI in videos [13.25502885135043]
ビデオから人間と物体の相互作用を分析すると、人間とビデオに存在する物体の関係が特定される。
映像中の複数の粒度の真理を効果的に捉え,視覚的特徴を学習するための階層的アプローチ LIGHTEN を提案する。
V-COCOにおける人間と物体の相互作用検出(88.9%と92.6%)とCAD-120の予測タスクおよび画像ベースHOI検出の競争結果の最先端化を実現した。
論文 参考訳（メタデータ） (2020-12-17T05:44:07Z) - Geography-Aware Self-Supervised Learning [79.4009241781968]
異なる特徴により、標準ベンチマークにおけるコントラスト学習と教師あり学習の間には、非自明なギャップが持続していることが示される。
本稿では,リモートセンシングデータの空間的整合性を利用した新しいトレーニング手法を提案する。
提案手法は,画像分類,オブジェクト検出,セマンティックセグメンテーションにおけるコントラスト学習と教師あり学習のギャップを埋めるものである。
論文 参考訳（メタデータ） (2020-11-19T17:29:13Z) - High Definition image classification in Geoscience using Machine
Learning [0.0]
ドローンで撮影されたHDデジタル写真は、地球科学の研究で広く使われている。
ぼやけた画像はしばしば収集されたデータで撮影され、ぼやけた画像とはっきりした画像を区別するのに多くの時間と労力がかかります。
本研究では,SVM(Support Vector Machine)やNN(Neural Network)などの機械学習技術を用いて,GeoscienceのHDイメージを明瞭でぼやけたものとして分類する。
論文 参考訳（メタデータ） (2020-09-25T17:30:03Z) - Rethinking Recurrent Neural Networks and Other Improvements for Image
Classification [1.5990720051907859]
画像認識モデルの設計において,RNNを付加層として統合することを提案する。
また、複数のモデルを用いて専門家による予測を生成するエンド・ツー・エンドのマルチモデルアンサンブルも開発している。
私たちのモデルは、Surreyデータセットに新しいレコードを設定します。
論文 参考訳（メタデータ） (2020-07-30T00:40:50Z) - Extending and Analyzing Self-Supervised Learning Across Domains [50.13326427158233]
近年,自己指導型表現学習が目覚ましい成果を上げている。
実験は主にImageNetや他の同様の大規模なインターネット画像データセット上で行われる。
我々は、前例のない様々なドメインで、いくつかのポピュラーな手法を実験した。
論文 参考訳（メタデータ） (2020-04-24T21:18:02Z) - Self-Supervised Viewpoint Learning From Image Collections [116.56304441362994]
本稿では,解析・合成パラダイムを取り入れた新たな学習フレームワークを提案する。
提案手法は,人間の顔,車,バス,電車など,複数の対象カテゴリに対して,完全に教師されたアプローチに対して競争力を発揮することを示す。
論文 参考訳（メタデータ） (2020-04-03T22:01:41Z)
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。