論文の概要: CoViG: Coarsened Vision GNN for Image Classification

• arxiv url: http://arxiv.org/abs/2610.21321v1
• Date: Thu, 15 Oct 2026 06:11:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.212301
• Title: CoViG: Coarsened Vision GNN for Image Classification
• Title（参考訳）: CoViG:画像分類のための粗いビジョンGNN
• Abstract要約: 視覚グラフは画像分類の精度が高いが、計算コストは比較的高い。 グラフ粗化とViGを組み合わせた新しい手法であるCoViGを提案する。 提案手法は,推論時のViGの計算コストを大幅に削減する。
• 参考スコア（独自算出の注目度）: 1.5708535232255896
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Although Graph Neural Networks are widely used in various domains, they remained mostly unexplored in computer vision. Convolutional Neural Networks and Vision Transformers were leading the field, until the quite recent introduction of Vision Graphs (ViG) that treat images as a set of nodes and apply graph convolution on their k-NN graphs. ViGs show impressive accuracy on image classification but their computational cost remains relatively high. Inspired by optimization methods for GNNs, we present CoViG, a novel approach combining graph coarsening and ViGs. Our method introduces an additional MinCUT pooling step within the Grapher component of intermediate ViG blocks. By simplifying the intermediate graphs and thus decreasing the number of nodes of specific blocks, our approach considerably reduces the computational cost of ViG during inference. We evaluated our approach on ImageNet with several ViG architectures, and we obtained accuracies equivalent to the original ViG models with only about 51\% of FLOPs.
• Abstract（参考訳）: グラフニューラルネットワークは様々な領域で広く使われているが、コンピュータビジョンでは探索されていない。 畳み込みニューラルネットワークとビジョントランスフォーマーは、イメージをノードの集合として扱い、k-NNグラフにグラフ畳み込みを適用するビジョングラフ(ViG)が導入されるまで、この分野をリードしていた。 ViGは画像分類において顕著な精度を示すが、その計算コストは比較的高い。 GNNの最適化手法に着想を得て,グラフ粗化とViGを組み合わせた新しいアプローチであるCoViGを提案する。 本手法では,中間ViGブロックのGrapherコンポーネント内にMinCUTプーリングステップを導入する。 中間グラフを単純化し,特定のブロックのノード数を減少させることで,提案手法は推論時のViGの計算コストを大幅に削減する。 我々は,複数のViGアーキテクチャを用いてImageNetのアプローチを評価し,FLOPの約51倍の精度でオリジナルのVGモデルと同等の精度を得た。

関連論文リスト

• ViG-LRGC: Vision Graph Neural Networks with Learnable Reparameterized Graph Construction [0.15293427903448023]
  Vision Graph Neural Networks (ViG) は、ノードのグラフとしてのイメージの扱いを提案する。 課題は、各層にノード間の関係を最もよく表すノードのグラフを構築することである。 視覚グラフニューラルネットワークのためのLRGC(Learningable Reparameterized Graph Construction)を提案する。 提案手法は、ImageNet-1kベンチマークデータセットにおいて、同じ大きさの最先端のViGモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-23T09:25:22Z)
• Vision Graph Prompting via Semantic Low-Rank Decomposition [10.223578525761617]
  Vision GNN (ViG) は、画像をグラフ構造として表現することで、優れた性能を示す。 下流タスクにViGを効率的に適応させるためには、視覚的プロンプトのようなパラメータ効率の良い微調整技術がますます不可欠になっている。 視覚グラフ構造に適した新しいフレームワークであるビジョングラフプロンプティング(VGP)を提案する。
  論文  参考訳（メタデータ） (2025-05-07T04:29:29Z)
• ClusterViG: Efficient Globally Aware Vision GNNs via Image Partitioning [7.325055402812975]
  畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマー(ViT)がコンピュータビジョン(CV)の分野を支配している。 このボトルネックに対処する最近の研究は、非構造化グラフを構築するためのGNNの柔軟性に制約を課している。 そこで本稿では, 動的効率性グラフ畳み込み (DEGC) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-01-18T02:59:10Z)
• Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
  グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。 このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。 また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2025-01-01T08:48:53Z)
• Spectral Greedy Coresets for Graph Neural Networks [61.24300262316091]
  ノード分類タスクにおける大規模グラフの利用は、グラフニューラルネットワーク(GNN)の現実的な応用を妨げる 本稿では,GNNのグラフコアセットについて検討し,スペクトル埋め込みに基づくエゴグラフの選択により相互依存の問題を回避する。 我々のスペクトルグレディグラフコアセット(SGGC)は、数百万のノードを持つグラフにスケールし、モデル事前学習の必要性を排除し、低ホモフィリーグラフに適用する。
  論文  参考訳（メタデータ） (2024-05-27T17:52:12Z)
• PVG: Progressive Vision Graph for Vision Recognition [48.11440886492801]
  本稿では,視覚認識タスクのためのプログレッシブビジョングラフ(PVG)アーキテクチャを提案する。 PVGには3つの主要コンポーネントが含まれている: 1) プログレッシブ・セパレート・グラフ・コンストラクション(PSGC)、2) 隣ノードの情報収集と更新モジュール、3) グラフエラーリニア・ユニット(GraphLU)。
  論文  参考訳（メタデータ） (2023-08-01T14:35:29Z)
• Training Graph Neural Networks on Growing Stochastic Graphs [114.75710379125412]
  グラフニューラルネットワーク(GNN)は、ネットワーク化されたデータの意味のあるパターンを活用するために、グラフ畳み込みに依存している。 我々は,成長するグラフ列の極限オブジェクトであるグラフオンを利用して,非常に大きなグラフ上のGNNを学習することを提案する。
  論文  参考訳（メタデータ） (2022-10-27T16:00:45Z)
• Vision GNN: An Image is Worth Graph of Nodes [49.3335689216822]
  本稿では,画像をグラフ構造として表現し,視覚タスクのためのグラフレベルの特徴を抽出するビジョンGNN(ViG)アーキテクチャを提案する。 画像のグラフ表現に基づいて、すべてのノード間で情報を変換、交換するViGモデルを構築します。 画像認識および物体検出タスクに関する大規模な実験は、我々のViGアーキテクチャの優位性を実証している。
  論文  参考訳（メタデータ） (2022-06-01T07:01:04Z)
• Iterative Deep Graph Learning for Graph Neural Networks: Better and Robust Node Embeddings [53.58077686470096]
  グラフ構造とグラフ埋め込みを協調的かつ反復的に学習するための、エンドツーエンドのグラフ学習フレームワーク、すなわち、IDGL(Iterative Deep Graph Learning)を提案する。 実験の結果,提案したIDGLモデルは,最先端のベースラインを一貫して上回る,あるいは一致させることができることがわかった。
  論文  参考訳（メタデータ） (2020-06-21T19:49:15Z)

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。