要約
幾何学図形解析は、幾何学問題解決において重要な役割を果たしており、原始形状の抽出と関係の解析が複雑なレイアウトや原始形状間の関係性により困難となっています。本論文では、深層学習とグラフ推論に基づく強力な図形パーサーを提案します。具体的には、原始形状の抽出のために修正されたインスタンスセグメンテーション手法を提案し、幾何学的特徴と事前知識を組み合わせて関係の解析と原始形状分類を行うためにグラフニューラルネットワーク（GNN）を利用しています。これらのモジュールは、すべてのサブタスクを同時に実行するための一連のモデルであるPGDPNetに統合されています。さらに、原始形状レベルのアノテーションを持つ新しい大規模な幾何学図形データセットPGDP5Kを構築しました。PGDP5Kおよび既存のデータセットIMP-Geometry3Kでの実験結果から、当モデルが4つのサブタスクにおいて最新の手法を大幅に上回ることが示されました。当研究のコード、データセットおよび付録資料は、https://github.com/mingliangzhang2018/PGDP で公開されています。