Fechar

1. Identificação
Tipo de ReferênciaArtigo em Evento (Conference Proceedings)
Sitesibgrapi.sid.inpe.br
Código do Detentoribi 8JMKD3MGPEW34M/46T9EHH
Identificador8JMKD3MGPEW34M/43BDF3B
Repositóriosid.inpe.br/sibgrapi/2020/09.30.02.48
Última Atualização2020:09.30.02.48.17 (UTC) administrator
Repositório de Metadadossid.inpe.br/sibgrapi/2020/09.30.02.48.17
Última Atualização dos Metadados2022:06.14.00.00.14 (UTC) administrator
DOI10.1109/SIBGRAPI51738.2020.00035
Chave de CitaçãoAvelarTavSilJunLam:2020:SuImCl
TítuloSuperpixel Image Classification with Graph Attention Networks
FormatoOn-line
Ano2020
Data de Acesso17 maio 2024
Número de Arquivos1
Tamanho1548 KiB
2. Contextualização
Autor1 Avelar, Pedro Henrique da Costa
2 Tavares, Anderson Rocha
3 Silveira, Thiago Lopes Trugillo da
4 Jung, Cláudio Rosito
5 Lamb, Luís da Cunha
Afiliação1 Federal University of Rio Grande do Sul
2 Federal University of Rio Grande do Sul
3 University of Rio Grande
4 Federal University of Rio Grande do Sul
5 Federal University of Rio Grande do Sul
EditorMusse, Soraia Raupp
Cesar Junior, Roberto Marcondes
Pelechano, Nuria
Wang, Zhangyang (Atlas)
Endereço de e-Mailphcavelar@inf.ufrgs.br
Nome do EventoConference on Graphics, Patterns and Images, 33 (SIBGRAPI)
Localização do EventoPorto de Galinhas (virtual)
Data7-10 Nov. 2020
Editora (Publisher)IEEE Computer Society
Cidade da EditoraLos Alamitos
Título do LivroProceedings
Tipo TerciárioFull Paper
Histórico (UTC)2020-09-30 02:48:17 :: phcavelar@inf.ufrgs.br -> administrator ::
2022-06-14 00:00:14 :: administrator -> phcavelar@inf.ufrgs.br :: 2020
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
Tipo de Versãofinaldraft
Palavras-Chavesuperpixel
graph attention networks
graph neural networks
ResumoThis paper presents a methodology for image classification using Graph Neural Network (GNN) models. We transform the input images into region adjacency graphs (RAGs), in which regions are superpixels and edges connect neighboring superpixels. Our experiments suggest that Graph Attention Networks (GATs), which combine graph convolutions with self-attention mechanisms, outperforms other GNN models. Although raw image classifiers perform better than GATs due to information loss during the RAG generation, our methodology opens an interesting avenue of research on deep learning beyond rectangular-gridded images, such as 360-degree field of view panoramas. Traditional convolutional kernels of current state-of-the-art methods cannot handle panoramas, whereas the adapted superpixel algorithms and the resulting region adjacency graphs can naturally feed a GNN, without topology issues.
Arranjo 1urlib.net > SDLA > Fonds > SIBGRAPI 2020 > Superpixel Image Classification...
Arranjo 2urlib.net > SDLA > Fonds > Full Index > Superpixel Image Classification...
Conteúdo da Pasta docacessar
Conteúdo da Pasta sourcenão têm arquivos
Conteúdo da Pasta agreement
agreement.html 29/09/2020 23:48 1.2 KiB 
4. Condições de acesso e uso
URL dos dadoshttp://urlib.net/ibi/8JMKD3MGPEW34M/43BDF3B
URL dos dados zipadoshttp://urlib.net/zip/8JMKD3MGPEW34M/43BDF3B
Idiomaen
Arquivo AlvoPID6630943.pdf
Grupo de Usuáriosphcavelar@inf.ufrgs.br
Visibilidadeshown
Permissão de Atualizaçãonão transferida
5. Fontes relacionadas
Repositório Espelhosid.inpe.br/banon/2001/03.30.15.38.24
Unidades Imediatamente Superiores8JMKD3MGPEW34M/43G4L9S
8JMKD3MGPEW34M/4742MCS
Lista de Itens Citandosid.inpe.br/sibgrapi/2020/10.28.20.46 5
Acervo Hospedeirosid.inpe.br/banon/2001/03.30.15.38
6. Notas
Campos Vaziosarchivingpolicy archivist area callnumber contenttype copyholder copyright creatorhistory descriptionlevel dissemination edition electronicmailaddress group isbn issn label lineage mark nextedition notes numberofvolumes orcid organization pages parameterlist parentrepositories previousedition previouslowerunit progress project readergroup readpermission resumeid rightsholder schedulinginformation secondarydate secondarykey secondarymark secondarytype serieseditor session shorttitle sponsor subject tertiarymark type url volume
7. Controle da descrição
e-Mail (login)phcavelar@inf.ufrgs.br
atualizar 


Fechar