用于路网提取的图像条件图生成
机器学习
2019-11-01 v1 机器学习
摘要
图的深度生成模型在药物设计领域已展现出巨大前景，但迄今除生成图结构分子外鲜有应用。本工作中，我们针对从图像数据提取路网这一挑战性任务给出概念验证。该任务可表述为图像条件图生成，为此我们开发了生成图 Transformer（GGT）——一种利用注意力机制实现图像条件化与图递归生成的深度自回归模型。我们在从语义分割数据提取路网的应用上对 GGT 进行基准测试。为此，我们引入了基于真实公开数据的 Toulouse 路网数据集。我们进一步提出 StreetMover 距离：一种基于 Sinkhorn 距离、用于有效评估路网生成质量的度量。代码与数据集均已公开。
引用
@article{arxiv.1910.14388,
title = {Image-Conditioned Graph Generation for Road Network Extraction},
author = {Davide Belli and Thomas Kipf},
journal= {arXiv preprint arXiv:1910.14388},
year = {2019}
}
备注
Presented at NeurIPS 2019 Workshop on Graph Representation Learning