論文の概要: Multi-Level Graph Encoding with Structural-Collaborative Relation
Learning for Skeleton-Based Person Re-Identification
- arxiv url: http://arxiv.org/abs/2106.03069v1
- Date: Sun, 6 Jun 2021 09:09:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-08 18:07:55.011133
- Title: Multi-Level Graph Encoding with Structural-Collaborative Relation
Learning for Skeleton-Based Person Re-Identification
- Title（参考訳）: 骨格型人物再同定のための構造協調関係学習を用いたマルチレベルグラフ符号化
- Authors: Haocong Rao, Shihao Xu, Xiping Hu, Jun Cheng, Bin Hu
- Abstract要約: Skeletonベースの人物再識別(Re-ID)は、安全クリティカルなアプリケーションに優れた価値を提供する、新たなオープントピックである。
既存の方法は通常、手作りの特徴やモデル骨格のダイナミクスを体関節の軌跡から抽出する。
Re-IDの識別グラフ特徴を符号化するために,構造協調関係学習(MG-SCR)を用いたマルチレベルグラフ符号化手法を提案する。
- 参考スコア（独自算出の注目度）: 11.303008512400893
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Skeleton-based person re-identification (Re-ID) is an emerging open topic
providing great value for safety-critical applications. Existing methods
typically extract hand-crafted features or model skeleton dynamics from the
trajectory of body joints, while they rarely explore valuable relation
information contained in body structure or motion. To fully explore body
relations, we construct graphs to model human skeletons from different levels,
and for the first time propose a Multi-level Graph encoding approach with
Structural-Collaborative Relation learning (MG-SCR) to encode discriminative
graph features for person Re-ID. Specifically, considering that
structurally-connected body components are highly correlated in a skeleton, we
first propose a multi-head structural relation layer to learn different
relations of neighbor body-component nodes in graphs, which helps aggregate key
correlative features for effective node representations. Second, inspired by
the fact that body-component collaboration in walking usually carries
recognizable patterns, we propose a cross-level collaborative relation layer to
infer collaboration between different level components, so as to capture more
discriminative skeleton graph features. Finally, to enhance graph dynamics
encoding, we propose a novel self-supervised sparse sequential prediction task
for model pre-training, which facilitates encoding high-level graph semantics
for person Re-ID. MG-SCR outperforms state-of-the-art skeleton-based methods,
and it achieves superior performance to many multi-modal methods that utilize
extra RGB or depth features. Our codes are available at
https://github.com/Kali-Hac/MG-SCR.
- Abstract（参考訳）: Skeletonベースの人物再識別(Re-ID)は、安全クリティカルなアプリケーションに優れた価値を提供する、新たなオープントピックである。
既存の方法は、典型的には手作りの特徴やモデル骨格力学を身体関節の軌跡から抽出するが、身体構造や運動に含まれる貴重な関係情報を探索することは滅多にない。
人体関係を網羅的に調べるために,人骨を異なるレベルからモデル化するグラフを構築し,人体のRe-IDの識別グラフ特徴を符号化する構造協調関係学習(MG-SCR)を用いたマルチレベルグラフ符号化手法を初めて提案する。
具体的には,骨格において構造的に連結された体成分が高い相関関係にあることを考慮し,グラフ内の隣接する体成分ノードの異なる関係を学習するための多頭構造関係層を提案する。
第2に,歩行における体-成分の協調は通常認識可能なパターンを伝達するという事実に触発されて,異なるレベル成分間の協調を推測するクロスレベル協調関係層を提案し,より識別的なスケルトングラフの特徴を捉える。
最後に,個人用Re-IDの高レベルグラフセマンティクスの符号化を容易にするモデル事前学習のための,自己教師付きスパース逐次予測タスクを提案する。
MG-SCRは最先端のスケルトンベースの手法より優れており、追加のRGBや深度機能を利用する多くのマルチモーダル手法よりも優れた性能を発揮する。
私たちのコードはhttps://github.com/Kali-Hac/MG-SCRで公開しています。
関連論文リスト
- SkeletonMAE: Graph-based Masked Autoencoder for Skeleton Sequence
Pre-training [110.55093254677638]
我々はSkeleton Sequence Learning(SSL)という,効率的なスケルトンシーケンス学習フレームワークを提案する。
本論文では,SkeletonMAEという非対称なグラフベースのエンコーダデコーダ事前学習アーキテクチャを構築する。
我々のSSLは、さまざまなデータセットにまたがってうまく一般化し、最先端の自己教師型スケルトンベースのアクション認識手法よりも優れています。
論文 参考訳（メタデータ） (2023-07-17T13:33:11Z) - TranSG: Transformer-Based Skeleton Graph Prototype Contrastive Learning
with Structure-Trajectory Prompted Reconstruction for Person
Re-Identification [63.903237777588316]
3Dスケルトンデータによる人物再識別(re-ID)は、顕著な優位性を持つ新興トピックである。
既存の方法は通常、生の関節を持つ骨格記述子を設計するか、あるいは骨格配列表現学習を行う。
本稿では,構造軌道を誘導する再構成によるコントラスト学習(TranSG)手法を提案する。
論文 参考訳（メタデータ） (2023-03-13T02:27:45Z) - Skeleton Prototype Contrastive Learning with Multi-Level Graph Relation
Modeling for Unsupervised Person Re-Identification [63.903237777588316]
3Dスケルトンによる人物再識別(re-ID)は多くの利点を持つ重要な話題である。
既存の解は骨格構造や運動における価値ある身体-成分関係を探索することは滅多にない。
本稿では,マルチレベルグラフ関係学習を用いた汎用的教師なし型コントラスト学習パラダイムを提案する。
論文 参考訳（メタデータ） (2022-08-25T00:59:32Z) - Joint-bone Fusion Graph Convolutional Network for Semi-supervised
Skeleton Action Recognition [65.78703941973183]
本稿では,CD-JBF-GCNをエンコーダとし,ポーズ予測ヘッドをデコーダとして使用する新しい相関駆動型ジョイントボーン・フュージョングラフ畳み込みネットワークを提案する。
具体的には、CD-JBF-GCは、関節ストリームと骨ストリームの間の運動伝達を探索することができる。
自己教師型トレーニング段階におけるポーズ予測に基づくオートエンコーダにより、未ラベルデータから動作表現を学習することができる。
論文 参考訳（メタデータ） (2022-02-08T16:03:15Z) - Multi-Scale Semantics-Guided Neural Networks for Efficient
Skeleton-Based Human Action Recognition [140.18376685167857]
スケルトンに基づく行動認識には,単純なマルチスケールセマンティクス誘導ニューラルネットワークが提案されている。
MS-SGNは、NTU60、NTU120、SYSUデータセットの最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2021-11-07T03:50:50Z) - SM-SGE: A Self-Supervised Multi-Scale Skeleton Graph Encoding Framework
for Person Re-Identification [12.347724797202865]
3Dスケルトンによる人物の再識別は、セキュリティクリティカルなアプリケーションにおいて大きな可能性を持つ、新たなトピックである。
既存の方法は、典型的には体と関節の軌跡から身体と運動の特徴を学習する。
本稿では,人体,コンポーネント関係,骨格動態を包括的にモデル化する自己教師付きマルチスケールグラフ(SM-SGE)フレームワークを提案する。
論文 参考訳（メタデータ） (2021-07-05T09:53:08Z) - Multi Scale Temporal Graph Networks For Skeleton-based Action
Recognition [5.970574258839858]
グラフ畳み込みネットワーク(GCN)は、関連するノードの特徴を効果的に捉え、モデルの性能を向上させる。
まず、時間的特徴と空間的特徴の整合性を無視し、特徴をノード単位とフレーム単位で抽出する。
本稿では,行動認識のための時間グラフネットワーク(TGN)と呼ばれる新しいモデルを提案する。
論文 参考訳（メタデータ） (2020-12-05T08:08:25Z) - Jointly Cross- and Self-Modal Graph Attention Network for Query-Based
Moment Localization [77.21951145754065]
本稿では,共同グラフを渡る反復的メッセージのプロセスとして,このタスクをリキャストするクロスモーダルグラフ注意ネットワーク(CSMGAN)を提案する。
CSMGANは2つのモード間の高次相互作用を効果的に捉えることができ、より正確な局所化を可能にします。
論文 参考訳（メタデータ） (2020-08-04T08:25:24Z) - Unifying Graph Embedding Features with Graph Convolutional Networks for
Skeleton-based Action Recognition [18.001693718043292]
本稿では,人行動認識のためのグラフ畳み込みネットワークに15のグラフ埋め込み機能を組み込んだ新しいフレームワークを提案する。
我々のモデルは,NTU-RGB+D,Kineetics,SYSU-3Dという3つの大規模データセットで検証されている。
論文 参考訳（メタデータ） (2020-03-06T02:31:26Z)
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。