Détail de l'autorité
|
SAC 2021, 36th Annual ACM Symposium on Applied Computing 22/03/2021 26/03/2021 en ligne Proceedings ACM
nom du congrès :
SAC 2021, 36th Annual ACM Symposium on Applied Computing
début du congrès :
22/03/2021
fin du congrès :
26/03/2021
ville du congrès :
en ligne
site des actes du congrès :
|
Documents disponibles (1)
Ajouter le résultat dans votre panier Affiner la recherche Interroger des sources externesLearning embeddings for cross-time geographic areas represented as graphs / Margarita Khokhlova (2021)
Titre : Learning embeddings for cross-time geographic areas represented as graphs Type de document : Article/Communication Auteurs : Margarita Khokhlova Editeur : New York [Etats-Unis] : Association for computing machinery ACM Année de publication : 2021 Projets : Alegoria / Gouet-Brunet, Valérie Conférence : SAC 2021, 36th Annual ACM Symposium on Applied Computing 22/03/2021 26/03/2021 en ligne Proceedings ACM Importance : pp 559 - 568 Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] arête
[Termes IGN] classification par réseau neuronal
[Termes IGN] entité géographique
[Termes IGN] graphe flou
[Termes IGN] image aérienne à axe vertical
[Termes IGN] noeud
[Termes IGN] relation spatiale
[Termes IGN] représentation graphique
[Termes IGN] réseau neuronal de graphesRésumé : (auteur) Geographic entities from the vertical aerial images can be viewed as discrete objects and represented as nodes in a graph, linked to each other by edges capturing their spatial relationships. Over time, the natural and man made landscape may evolve and thus also their graph representations. This paper addresses the challenging problem of the retrieval and fuzzy matching of graphs to localize near-identical geographical areas across time. Several use-case scenarios are proposed for the end-to-end learning of a graph embedding using Graph Neural Networks (GNN), along with an effective baseline without learning. The results demonstrate the efficiency of our approach, that enables efficient similarity reasoning for novel hand-engineered cross-time graph data. Code and data processing scripts are available online. Numéro de notice : C2021-002 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Thématique : IMAGERIE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.1145/3412841.3441936 En ligne : https://doi.org/10.1145/3412841.3441936 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97583
