面向道路类型分类的图表示学习
机器学习
2022-06-07 v4 人工智能
计算机视觉与模式识别
摘要
我们提出了一种新颖的基于学习的方法，利用最先进的图卷积神经网络对道路网络进行图表示。我们的方法应用于来自 Open Street Map 的 17 个城市的真实道路网络。虽然边特征对于生成描述性的道路网络图表示至关重要，但图卷积网络通常仅依赖节点特征。我们表明，通过应用线图变换，高度代表性的边特征仍可被整合到此类网络中。我们还提出了一种基于由局部和全局邻居共同组成的拓扑邻域的邻域采样方法。我们在直推式和归纳式任务以及监督和无监督学习中，比较了使用不同类型邻域聚合函数学习表示的性能。此外，我们提出了一种新颖的聚合方法，即图注意力同构网络（Graph Attention Isomorphism Network, GAIN）。我们的结果表明，在道路类型分类问题上，GAIN 优于最先进的方法。
引用
@article{arxiv.2107.07791,
title = {Graph Representation Learning for Road Type Classification},
author = {Zahra Gharaee and Shreyas Kowshik and Oliver Stromann and Michael Felsberg},
journal= {arXiv preprint arXiv:2107.07791},
year = {2022}
}