論文の概要: Learning Chebyshev Basis in Graph Convolutional Networks for
Skeleton-based Action Recognition
- arxiv url: http://arxiv.org/abs/2104.05482v1
- Date: Mon, 12 Apr 2021 14:08:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-13 14:05:06.690037
- Title: Learning Chebyshev Basis in Graph Convolutional Networks for
Skeleton-based Action Recognition
- Title（参考訳）: 骨格に基づく行動認識のためのグラフ畳み込みネットワークにおけるチェビシェフ基底学習
- Authors: Hichem Sahbi
- Abstract要約: スペクトルグラフ畳み込みネットワーク(GCN)は、ニューラルネットワークを任意の不規則領域に拡張することを目的とした、特に深いモデルである。
通常の畳み込みパラメータだけでなくラプラシア作用素も学習する新しいスペクトルGCNを導入する。
- 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: Spectral graph convolutional networks (GCNs) are particular deep models which
aim at extending neural networks to arbitrary irregular domains. The principle
of these networks consists in projecting graph signals using the
eigen-decomposition of their Laplacians, then achieving filtering in the
spectral domain prior to back-project the resulting filtered signals onto the
input graph domain. However, the success of these operations is highly
dependent on the relevance of the used Laplacians which are mostly handcrafted
and this makes GCNs clearly sub-optimal. In this paper, we introduce a novel
spectral GCN that learns not only the usual convolutional parameters but also
the Laplacian operators. The latter are designed "end-to-end" as a part of a
recursive Chebyshev decomposition with the particularity of conveying both the
differential and the non-differential properties of the learned representations
-- with increasing order and discrimination power -- without overparametrizing
the trained GCNs. Extensive experiments, conducted on the challenging task of
skeleton-based action recognition, show the generalization ability and the
outperformance of our proposed Laplacian design w.r.t. different baselines
(built upon handcrafted and other learned Laplacians) as well as the related
work.
- Abstract（参考訳）: スペクトルグラフ畳み込みネットワーク(GCN)は、ニューラルネットワークを任意の不規則領域に拡張することを目的とした、特に深いモデルである。
これらのネットワークの原理は、ラプラシアンの固有分解を用いてグラフ信号を投影し、入力グラフ領域にフィルタされた信号をバックプロジェクションする前にスペクトル領域でフィルタリングする。
しかし、これらの操作の成功は、主に手作りであり、GCNが明らかに準最適であるLaplacianの関連性に大きく依存している。
本稿では,通常の畳み込みパラメータだけでなく,ラプラシア作用素も学習する新しいスペクトルGCNを提案する。
後者は再帰的なチェビシェフ分解の一部として設計されており、訓練されたGCNを過度にパラメータ化することなく、学習された表現の差分と非差分特性(順序と識別能力の増大)を伝達する。
スケルトンベース行動認識の課題に関する広範な実験により,提案するラプラシアン設計 w.r.t の一般化能力と性能が明らかにされた。
異なるベースライン(手工芸品やその他のラプラシア人の学習に基づく)と関連する作品。
関連論文リスト
- Neural Tangent Kernels Motivate Graph Neural Networks with
Cross-Covariance Graphs [94.44374472696272]
グラフニューラルネットワーク(GNN)の文脈におけるNTKとアライメントについて検討する。
その結果、2層GNNのアライメントの最適性に関する理論的保証が確立された。
これらの保証は、入力と出力データの相互共分散の関数であるグラフシフト演算子によって特徴づけられる。
論文 参考訳（メタデータ） (2023-10-16T19:54:21Z) - HoloNets: Spectral Convolutions do extend to Directed Graphs [59.851175771106625]
従来の知恵は、スペクトル畳み込みネットワークは無向グラフ上にしか展開できないと規定している。
ここでは、このグラフフーリエ変換への伝統的な依存が超フルであることを示す。
本稿では,新たに開発されたフィルタの周波数応答解釈を行い,フィルタ表現に使用するベースの影響を調査し,ネットワークを基盤とする特性演算子との相互作用について議論する。
論文 参考訳（メタデータ） (2023-10-03T17:42:09Z) - Learnable Filters for Geometric Scattering Modules [64.03877398967282]
最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。
我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
論文 参考訳（メタデータ） (2022-08-15T22:30:07Z) - Tuning the Geometry of Graph Neural Networks [0.7614628596146599]
空間グラフ畳み込み演算子はグラフニューラルネットワーク(GNN)の成功の鍵として認識されている
このアグリゲーション作用素は実際にチューナブルであり、作用素の特定の選択 -- 従って、ジオメトリを埋め込む -- がより適切であるような明示的なレギュレーションであることが示される。
論文 参考訳（メタデータ） (2022-07-12T23:28:03Z) - Overcoming Oversmoothness in Graph Convolutional Networks via Hybrid
Scattering Networks [11.857894213975644]
本稿では,従来のGCNフィルタと幾何散乱変換を用いて定義された帯域通過フィルタを組み合わせたハイブリッドグラフニューラルネットワーク(GNN)フレームワークを提案する。
理論的には, グラフからの構造情報を活用するために散乱フィルタの相補的な利点が確立され, 実験では様々な学習課題における手法の利点が示された。
論文 参考訳（メタデータ） (2022-01-22T00:47:41Z) - 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 Graph Convolutional Networks With Lifting-based Adaptive Graph
Wavelets [81.63035727821145]
スペクトルグラフ畳み込みネットワーク(SGCN)はグラフ表現学習において注目を集めている。
本稿では,適応グラフウェーブレットを用いたグラフ畳み込みを実装した新しいスペクトルグラフ畳み込みネットワークを提案する。
論文 参考訳（メタデータ） (2021-08-03T17:57:53Z) - Action Recognition with Kernel-based Graph Convolutional Networks [14.924672048447338]
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。
論文 参考訳（メタデータ） (2020-12-28T11:02:51Z) - Spatio-Temporal Inception Graph Convolutional Networks for
Skeleton-Based Action Recognition [126.51241919472356]
我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。
ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
論文 参考訳（メタデータ） (2020-11-26T14:43:04Z) - Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。
我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
論文 参考訳（メタデータ） (2020-10-06T01:20:27Z) - 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)
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。