Graph Convolutional Networks based on Manifold Learning for Semi-Supervised Image Classification

要約

タイトル：マニフォールド学習に基づくグラフ畳み込みニューラルネットワークによる半教師あり画像分類

要約：
– 多くのドメインで多くの情報があるため、分類手法が必要とされています。
– 多くのアプローチにもかかわらず、多くのラベル付きデータが必要であり、手動ラベリングプロセスのコストや難しさのために利用できないことが多いです。
– この状況で、半教師あり学習・非教師あり学習のアプローチが注目されています。
– グラフ畳み込みニューラルネットワーク（GCN）は近傍情報をエンコードするため、ラベル付きデータが限られたシナリオでは最先端の結果を出しています。
– しかしながら、GCNはグラフ構造化データを必要とするため、半教師あり画像分類においてはまだまれです。
– この研究では、マニフォールド学習に基づくManifold-GCNを提案しています。これは、グラフ構造をモデル化するためのGCNに基づくフレームワークであり、従来の学習アルゴリズムとは異なります。
– すべてのマニフォールド学習アルゴリズムは完全に非教師ありであり、ラベル付きデータが利用できない場合に特に役立ちます。
– 5つのGCNモデル、3つのマニフォールド学習アプローチ、3つの画像データセット、そして5つの深い特徴を考慮した広範な実験的評価が行われました。
– 結果は、以前の最新の状況よりも高い精度を持つ方法であり、トレーニングとテストの両方にとって非常に効率的な実行時間を持っています。

要約(オリジナル)

Due to a huge volume of information in many domains, the need for classification methods is imperious. In spite of many advances, most of the approaches require a large amount of labeled data, which is often not available, due to costs and difficulties of manual labeling processes. In this scenario, unsupervised and semi-supervised approaches have been gaining increasing attention. The GCNs (Graph Convolutional Neural Networks) represent a promising solution since they encode the neighborhood information and have achieved state-of-the-art results on scenarios with limited labeled data. However, since GCNs require graph-structured data, their use for semi-supervised image classification is still scarce in the literature. In this work, we propose a novel approach, the Manifold-GCN, based on GCNs for semi-supervised image classification. The main hypothesis of this paper is that the use of manifold learning to model the graph structure can further improve the GCN classification. To the best of our knowledge, this is the first framework that allows the combination of GCNs with different types of manifold learning approaches for image classification. All manifold learning algorithms employed are completely unsupervised, which is especially useful for scenarios where the availability of labeled data is a concern. A broad experimental evaluation was conducted considering 5 GCN models, 3 manifold learning approaches, 3 image datasets, and 5 deep features. The results reveal that our approach presents better accuracy than traditional and recent state-of-the-art methods with very efficient run times for both training and testing.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI