論文の概要: Hierarchical growing grid networks for skeleton based action recognition
- arxiv url: http://arxiv.org/abs/2104.11165v1
- Date: Thu, 22 Apr 2021 16:35:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-23 14:08:47.185467
- Title: Hierarchical growing grid networks for skeleton based action recognition
- Title（参考訳）: スケルトンに基づく行動認識のための階層的成長グリッドネットワーク
- Authors: Zahra Gharaee
- Abstract要約: 成長するグリッドニューラルネットワークの層を応用し,行動認識のための新しい認知アーキテクチャを開発した。
システムは、学習フェーズの処理速度を向上させる入力空間の事前の知識が提供されます。
成長するグリッドアーキテクチャのパフォーマンスは、自己組織化マップに基づくシステムの結果と一致している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In this paper, a novel cognitive architecture for action recognition is
developed by applying layers of growing grid neural networks.Using these layers
makes the system capable of automatically arranging its representational
structure. In addition to the expansion of the neural map during the growth
phase, the system is provided with a prior knowledge of the input space, which
increases the processing speed of the learning phase. Apart from two layers of
growing grid networks the architecture is composed of a preprocessing layer, an
ordered vector representation layer and a one-layer supervised neural network.
These layers are designed to solve the action recognition problem. The
first-layer growing grid receives the input data of human actions and the
neural map generates an action pattern vector representing each action sequence
by connecting the elicited activation of the trained map. The pattern vectors
are then sent to the ordered vector representation layer to build the
time-invariant input vectors of key activations for the second-layer growing
grid. The second-layer growing grid categorizes the input vectors to the
corresponding action clusters/sub-clusters and finally the one-layer supervised
neural network labels the shaped clusters with action labels. Three experiments
using different datasets of actions show that the system is capable of learning
to categorize the actions quickly and efficiently. The performance of the
growing grid architecture is com-pared with the results from a system based on
Self-Organizing Maps, showing that the growing grid architecture performs
significantly superior on the action recognition tasks.
- Abstract（参考訳）: 本稿では,格子型ニューラルネットワークの層を応用して,行動認識のための新しい認知アーキテクチャを開発し,それらの層を用いて,その表現構造を自動配置する。
成長段階における神経地図の拡張に加えて、システムは入力空間の事前知識を提供し、学習相の処理速度を増加させる。
成長するグリッドネットワークの2つの層とは別に、アーキテクチャは前処理層、順序付けられたベクトル表現層、および1層の教師付きニューラルネットワークで構成されている。
これらのレイヤーは、アクション認識問題を解決するために設計されている。
第1層成長格子は、人間の行動の入力データを受信し、ニューラルネットワークは、訓練された地図の誘発活性化を接続することにより、各アクションシーケンスを表すアクションパターンベクトルを生成する。
次に、パターンベクトルを順序付きベクトル表現層に送信し、第2層成長格子のキーアクティベーションの時間不変な入力ベクトルを構築する。
第2層成長グリッドは、入力ベクトルを対応するアクションクラスタ/サブクラスタに分類し、最後に1層教師付きニューラルネットワークは、型付きクラスタにアクションラベルを付ける。
異なるアクションデータセットを用いた3つの実験は、システムが素早く効率的にアクションを分類できることを示す。
成長するグリッドアーキテクチャの性能は、自己組織マップに基づくシステムの結果と組み合わせられ、成長するグリッドアーキテクチャは、アクション認識タスクにおいて著しく優れていることを示す。
関連論文リスト
- Discovering Message Passing Hierarchies for Mesh-Based Physics Simulation [61.89682310797067]
DHMPを導入し,異なるノード選択手法を用いてメッセージパッシングネットワークの動的階層を学習する。
本実験はDHMPの有効性を実証し,近年の固定階層型メッセージパッシングネットワークと比較して平均22.7%改善した。
論文 参考訳（メタデータ） (2024-10-03T15:18:00Z) - Provable Guarantees for Nonlinear Feature Learning in Three-Layer Neural
Networks [49.808194368781095]
3層ニューラルネットワークは,2層ネットワークよりも特徴学習能力が豊富であることを示す。
この研究は、特徴学習体制における2層ネットワーク上の3層ニューラルネットワークの証明可能なメリットを理解するための前進である。
論文 参考訳（メタデータ） (2023-05-11T17:19:30Z) - WLD-Reg: A Data-dependent Within-layer Diversity Regularizer [98.78384185493624]
ニューラルネットワークは、勾配に基づく最適化と共同で訓練された階層構造に配置された複数の層で構成されている。
我々は、この従来の「中間層」フィードバックを補うために、同じ層内での活性化の多様性を促進するために、追加の「中間層」フィードバックを補うことを提案する。
本稿では,提案手法が複数のタスクにおける最先端ニューラルネットワークモデルの性能を向上させることを実証した広範な実証研究を提案する。
論文 参考訳（メタデータ） (2023-01-03T20:57:22Z) - Action in Mind: A Neural Network Approach to Action Recognition and
Segmentation [0.0]
本稿では,ニューラルネットワークに基づく多層アーキテクチャの異なる実装によるヒューマンアクション認識のための新しい計算手法を提案する。
提案する行動認識アーキテクチャは,前処理層,順序ベクトル表現層,ニューラルネットワークの3層を含む複数の処理層から構成される。
開発の各段階において、システムは連続する3d体姿勢からなる入力データで訓練され、システムがこれまで経験したことのない一般的な入力データでテストされる。
論文 参考訳（メタデータ） (2021-04-30T09:53:28Z) - Online recognition of unsegmented actions with hierarchical SOM
architecture [0.0]
オンラインテスト実験におけるセグメンテーション動作の認識のための新しい手法を提案する。
アクションシーケンスのユニークな特徴は、第1層の自己組織化マップによって一連の鍵アクティベーションとして表される。
実験結果から, オフラインテストと比較して, 性能はわずかに低下するが, 提案アーキテクチャが未解決のアクションシーケンスとオンラインパフォーマンスに対処できる能力により, 実ケースシナリオにおいて, より信頼性が高く, 実用的であることが示唆された。
論文 参考訳（メタデータ） (2021-04-23T14:41:46Z) - Online Recognition of Actions Involving Objects [0.0]
オンラインモードで作業するオブジェクトの動作をリアルタイムに認識するオンラインシステムを提案する。
このシステムは、2つの情報処理ストリームを並列にマージする。
提示された方法は、2つの情報処理ストリームを組み合わせて、エージェントが実行したアクションとオブジェクトを決定する。
論文 参考訳（メタデータ） (2021-04-13T10:08:20Z) - Neural networks adapting to datasets: learning network size and topology [77.34726150561087]
ニューラルネットワークは、勾配に基づくトレーニングの過程で、そのサイズとトポロジの両方を学習できるフレキシブルなセットアップを導入します。
結果として得られるネットワークは、特定の学習タスクとデータセットに合わせたグラフの構造を持つ。
論文 参考訳（メタデータ） (2020-06-22T12:46:44Z) - Self-organization of multi-layer spiking neural networks [4.859525864236446]
発達する脳における複雑な構造の形成を可能にする重要なメカニズムは、神経活動の経時的波の出現である。
多層ニューラルネットワークをシームレスに積み重ねることのできる動的システムの形でモジュール式ツールキットを提案する。
我々のフレームワークは、多層パーセプトロンからオートエンコーダまで、幅広いアーキテクチャの自己組織化に繋がる。
論文 参考訳（メタデータ） (2020-06-12T01:44:48Z) - Online Sequential Extreme Learning Machines: Features Combined From
Hundreds of Midlayers [0.0]
本稿では階層型オンラインシーケンシャル学習アルゴリズム(H-OS-ELM)を提案する。
アルゴリズムは、一定のブロックサイズまたは異なるブロックサイズでチャンクごとにチャンクを学習することができる。
論文 参考訳（メタデータ） (2020-06-12T00:50:04Z) - DHP: Differentiable Meta Pruning via HyperNetworks [158.69345612783198]
本稿では,ネットワークの自動プルーニングのためのハイパーネットによる識別可能なプルーニング手法を提案する。
遅延ベクトルは、バックボーンネットワーク内の畳み込み層の出力チャネルを制御し、レイヤのプルーニングのハンドルとして機能する。
画像分類、単一画像超解像、復調のための様々なネットワークで実験が行われた。
論文 参考訳（メタデータ） (2020-03-30T17:59:18Z) - Progressive Graph Convolutional Networks for Semi-Supervised Node
Classification [97.14064057840089]
グラフ畳み込みネットワークは、半教師付きノード分類のようなグラフベースのタスクに対処することに成功した。
本稿では,コンパクトかつタスク固有のグラフ畳み込みネットワークを自動構築する手法を提案する。
論文 参考訳（メタデータ） (2020-03-27T08:32:16Z)
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。