KDD2024 | PolygonGNN: 多边形几何形状的表征学习

文章预览

TLDR: 本文提出使用异质可见图表示多边形，这种图无缝整合了多边形内和多边形间的关系。 为了提高计算效率并减少冗余，本文提出了一种异质生成树抽样方法。 此外，本文设计了一种旋转-平移不变的几何表示，确保了在各种场景下的广泛适用性。 最后，本文引入了Multipolygon-GNN，一个新颖的GNN模型，来学习可见图中的空间和语义异质性。 论文： https://arxiv.org/abs/2407.00742 代码： https://github.com/dyu62/PolyGNN 1. 背景简介 使用多边形表示几何物体的优势 图像作为一种直观普遍的数据类型被广泛应用于各种任务场景中。图像既可以表示自然界中物体，也可以表示建筑、机械部件等人造几何物体。然而对于几何物体来说，使用多边形表示比图像既节省空间又更加精确。 多边形表示几何物体的例子： 地图上的建筑物：想象在二维地图上有一座矩形房屋，当 ………………………………