文献

J-GLOBAL ID：202002253403706313   整理番号：20A2263154

CurvaNet:3D形状解析のための指向性曲率に基づく幾何学的深層学習【JST・京大機械翻訳】

CurvaNet: Geometric Deep Learning based on Directional Curvature for 3D Shape Analysis

著者 (4件)： He Wenchong (University of Alabama, Tuscaloosa, AL, USA) ,  Jiang Zhe (University of Alabama, Tuscaloosa, AL, USA) ,  Zhang Chengming (University of Alabama, Tuscaloosa, AL, USA) ,  Sainju Arpan Man (University of Alabama, Tuscaloosa, AL, USA)
資料名： ACM Proceedings  (ACM Proceedings)
号： KDD ’20  ページ： 2214-2224  発行年： 2020年 
JST資料番号： D0698C  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 過去10年間,深層学習研究はコンピュータビジョンと自然言語処理において大きな成功を達成した。現在の広く成功した深層学習モデルは,通常格子(例えば,画像とビデオデータ)によるユークリッド平面上の畳込みとプール操作に基づいており,従って,非ユークリダン表面に直接適用できない。幾何学的深層学習は,2Dユークリッド平面から3D幾何学的表面までの深層学習モデルを一般化することによりギャップを埋めることを目的とする。この問題は,人間-コンピュータ相互作用,生化学,および機械工学において重要な応用を持つが,正規グリッドフレームワークの欠如と,非ユークリッド多様体上の幾何学的特徴の学習の困難さのために,一意的に困難である。既存の研究は,2D画像からグラフ(例えばグラフニューラルネットワーク)または3Dメッシュ表面への深層学習モデル一般化に焦点を当てたが,微分幾何学透視から幾何学的特徴を完全に学習しなかった。対照的に,本論文では,グラフニューラルネットワークと微分幾何学を統合するCurvaNetと呼ばれる新しい幾何学的深層学習モデルを提案した。重要なアイデアは,方向曲率フィルタを通して方向感受性3D形状特徴の学習である。メッシュプールとアンプール操作に基づくダウンサンプリングとアップサンプリング経路を有するU-Netのようなアーキテクチャを設計した。実世界データセットの評価は,提案モデルが分類精度においていくつかのベースライン法より優れていることを示した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 相互作用 ,  畳込み ,  多様体 ,  微分幾何学 ,  機械工学 ,  ニューラルネットワーク ,  自然言語処理 ,  二次元 ,  コンピュータビジョン ,  *三次元 ,  計算機アーキテクチャ ,  コンピュータ
準シソーラス用語： *三次元形状 ,  アップサンプリング ,  *深層学習 , 【Automatic Indexing@JST】

著者キーワード (4件)： 曲率 ,  微分幾何学 ,  幾何学的深層学習 ,  グラフニューラルネットワーク

分類 (2件)： 人工知能  (JE08000Z) ,  医用画像処理  (JE04020T)

タイトルに関連する用語 (6件)： 3D形状 ,  解析 ,  指向性 ,  曲率 ,  幾何学 ,  深層学習