論文の概要: Action Recognition with Kernel-based Graph Convolutional Networks
- arxiv url: http://arxiv.org/abs/2012.14186v1
- Date: Mon, 28 Dec 2020 11:02:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-19 11:02:34.365065
- Title: Action Recognition with Kernel-based Graph Convolutional Networks
- Title（参考訳）: カーネル型グラフ畳み込みネットワークによる行動認識
- Authors: Hichem Sahbi
- Abstract要約: learning graph convolutional networks(gcns)は、ディープラーニングを任意の非正規ドメインに一般化することを目的としている。
再生カーネルヒルベルト空間(RKHS)における空間グラフ畳み込みを実現する新しいGCNフレームワークを提案する。
gcnモデルの特長は、学習グラフフィルタの受容野のノードと入力グラフのノードを明示的に認識せずに畳み込みを実現する能力にも関係しています。
- 参考スコア（独自算出の注目度）: 14.924672048447338
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning graph convolutional networks (GCNs) is an emerging field which aims
at generalizing deep learning to arbitrary non-regular domains. Most of the
existing GCNs follow a neighborhood aggregation scheme, where the
representation of a node is recursively obtained by aggregating its neighboring
node representations using averaging or sorting operations. However, these
operations are either ill-posed or weak to be discriminant or increase the
number of training parameters and thereby the computational complexity and the
risk of overfitting. In this paper, we introduce a novel GCN framework that
achieves spatial graph convolution in a reproducing kernel Hilbert space
(RKHS). The latter makes it possible to design, via implicit kernel
representations, convolutional graph filters in a high dimensional and more
discriminating space without increasing the number of training parameters. The
particularity of our GCN model also resides in its ability to achieve
convolutions without explicitly realigning nodes in the receptive fields of the
learned graph filters with those of the input graphs, thereby making
convolutions permutation agnostic and well defined. Experiments conducted on
the challenging task of skeleton-based action recognition show the superiority
of the proposed method against different baselines as well as the related work.
- Abstract（参考訳）: 学習グラフ畳み込みネットワーク(GCN)は、任意の非正規領域にディープラーニングを一般化することを目的とした新興分野である。
既存のGCNのほとんどは、平均化やソート操作を使用して隣接ノード表現を集約することで、ノードの表現を再帰的に取得する、近傍集約スキームに従っている。
しかし、これらの操作は不適格であるか弱いか、トレーニングパラメータの数を増加させ、計算の複雑さと過剰適合のリスクを増大させる。
本稿では、再生カーネルヒルベルト空間(RKHS)における空間グラフ畳み込みを実現する新しいGCNフレームワークを提案する。
後者では、暗黙のカーネル表現、畳み込みグラフフィルタを、トレーニングパラメータの数を増やすことなく高次元でより識別可能な空間で設計することができる。
また、GCNモデルの特異性は、学習したグラフフィルタの受容領域内のノードを入力グラフのそれと明示的に認識することなく畳み込みを達成できるため、畳み込みを非依存かつ適切に定義することができる。
骨格に基づく行動認識の課題に対して行われた実験は,提案手法が異なるベースラインと関連する作業に対して優れていることを示す。
関連論文リスト
- Efficient Graph Similarity Computation with Alignment Regularization [7.143879014059894]
グラフ類似性計算(GSC)は、グラフニューラルネットワーク(GNN)を用いた学習に基づく予測タスクである。
適応正規化(AReg)と呼ばれる,シンプルながら強力な正規化技術によって,高品質な学習が達成可能であることを示す。
推論段階では、GNNエンコーダによって学習されたグラフレベル表現は、ARegを再度使用せずに直接類似度スコアを計算するために使用される。
論文 参考訳（メタデータ） (2024-06-21T07:37:28Z) - Degree-based stratification of nodes in Graph Neural Networks [66.17149106033126]
グラフニューラルネットワーク(GNN)アーキテクチャを変更して,各グループのノードに対して,重み行列を個別に学習する。
このシンプルな実装変更により、データセットとGNNメソッドのパフォーマンスが改善されているようだ。
論文 参考訳（メタデータ） (2023-12-16T14:09:23Z) - Comprehensive Graph Gradual Pruning for Sparse Training in Graph Neural
Networks [52.566735716983956]
本稿では,CGPと呼ばれるグラフの段階的プルーニングフレームワークを動的にGNNに提案する。
LTHに基づく手法とは異なり、提案手法では再学習を必要とせず、計算コストを大幅に削減する。
提案手法は,既存の手法の精度を一致させたり,あるいは超えたりしながら,トレーニングと推論の効率を大幅に向上させる。
論文 参考訳（メタデータ） (2022-07-18T14:23:31Z) - A Variational Edge Partition Model for Supervised Graph Representation
Learning [51.30365677476971]
本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。
それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。
エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
論文 参考訳（メタデータ） (2022-02-07T14:37:50Z) - Learning Connectivity with Graph Convolutional Networks for
Skeleton-based Action Recognition [14.924672048447338]
グラフのトポロジ特性を学習するグラフ畳み込みネットワークのための新しいフレームワークを提案する。
本手法の設計原理は制約対象関数の最適化に基づいている。
骨格に基づく行動認識の課題に対して行った実験は,提案手法の優位性を示している。
論文 参考訳（メタデータ） (2021-12-06T19:43:26Z) - Spectral-Spatial Global Graph Reasoning for Hyperspectral Image
Classification [50.899576891296235]
畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。
近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
論文 参考訳（メタデータ） (2021-06-26T06:24:51Z) - Non-Recursive Graph Convolutional Networks [33.459371861932574]
非再帰グラフ畳み込みネットワーク(NRGCN)と呼ばれる新しいアーキテクチャを提案し、GCNのトレーニング効率と学習パフォーマンスの両方を改善します。
NRGCNは、内部層凝集と層非依存サンプリングに基づいて、各ノードの隣人のホップを表す。
このようにして、各ノードは、隣人の各ホップから独立して抽出された情報を連結することで直接表現することができる。
論文 参考訳（メタデータ） (2021-05-09T08:12:18Z) - Skeleton-based Hand-Gesture Recognition with Lightweight Graph
Convolutional Networks [14.924672048447338]
グラフ畳み込みネットワーク(GCN)は、グラフのような任意の不規則領域にディープラーニングを拡張することを目的としている。
GCN設計の一環として,入力グラフのトポロジを学習する新しい手法を提案する。
骨格をベースとした手の位置認識の課題に対する実験は, 学習したGCNの高効率性を示す。
論文 参考訳（メタデータ） (2021-04-09T09:06:53Z) - Scattering GCN: Overcoming Oversmoothness in Graph Convolutional
Networks [0.0]
グラフ畳み込みネットワーク(GCN)は,構造認識の特徴を抽出することによって,グラフデータ処理において有望な結果を示した。
本稿では、幾何学的散乱変換と残差畳み込みによる従来のGCNの増大を提案する。
前者はグラフ信号の帯域通過フィルタリングが可能であり、GCNでしばしば発生する過度な過度な処理を緩和する。
論文 参考訳（メタデータ） (2020-03-18T18:03:08Z) - Cross-GCN: Enhancing Graph Convolutional Network with $k$-Order Feature
Interactions [153.6357310444093]
Graph Convolutional Network(GCN)は,グラフデータの学習と推論を行う新興技術である。
我々は、GCNの既存の設計がクロスフィーチャをモデリングし、クロスフィーチャが重要であるタスクやデータに対してGCNの効率を損なうことを論じている。
我々は、任意の次交叉特徴を、特徴次元と順序サイズに線形に複雑にモデル化した、クロスフィーチャーグラフ畳み込みという新しい演算子を設計する。
論文 参考訳（メタデータ） (2020-03-05T13:05:27Z) - Infinitely Wide Graph Convolutional Networks: Semi-supervised Learning
via Gaussian Processes [144.6048446370369]
グラフ畳み込みニューラルネットワーク(GCN)は近年,グラフに基づく半教師付き半教師付き分類において有望な結果を示した。
グラフに基づく半教師付き学習のためのGCN(GPGC)を用いたGP回帰モデルを提案する。
GPGCを評価するための広範囲な実験を行い、他の最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-02-26T10:02:32Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。