論文の概要: Spatio-Temporal Graph Complementary Scattering Networks

• arxiv url: http://arxiv.org/abs/2110.12150v1
• Date: Sat, 23 Oct 2021 06:02:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-26 17:13:30.639569
• Title: Spatio-Temporal Graph Complementary Scattering Networks
• Title（参考訳）: 時空間グラフ補完散乱ネットワーク
• Authors: Zida Cheng, Siheng Chen, Ya Zhang
• Abstract要約: 本研究では,新しい時間グラフ散乱とニューラルネットワークの変換を組み合わせた補完機構を提案する。 本質的には、数学的に設計されたグラフウェーブレットをプルーニング技術で活用し、主要な情報をカバーし、トレーニング可能なキャプチャネットワークを使用して、補完的な情報をキャプチャする。
• 参考スコア（独自算出の注目度）: 27.78922896432688
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatio-temporal graph signal analysis has a significant impact on a wide range of applications, including hand/body pose action recognition. To achieve effective analysis, spatio-temporal graph convolutional networks (ST-GCN) leverage the powerful learning ability to achieve great empirical successes; however, those methods need a huge amount of high-quality training data and lack theoretical interpretation. To address this issue, the spatio-temporal graph scattering transform (ST-GST) was proposed to put forth a theoretically interpretable framework; however, the empirical performance of this approach is constrainted by the fully mathematical design. To benefit from both sides, this work proposes a novel complementary mechanism to organically combine the spatio-temporal graph scattering transform and neural networks, resulting in the proposed spatio-temporal graph complementary scattering networks (ST-GCSN). The essence is to leverage the mathematically designed graph wavelets with pruning techniques to cover major information and use trainable networks to capture complementary information. The empirical experiments on hand pose action recognition show that the proposed ST-GCSN outperforms both ST-GCN and ST-GST.
• Abstract（参考訳）: 時空間グラフ信号解析は、手/体のポーズ認識を含む、幅広い応用に多大な影響を与える。 効率的な分析を実現するために,時空間グラフ畳み込みネットワーク(ST-GCN)は強力な学習能力を活用して経験的成功を達成しているが,これらの手法には大量の高品質な学習データが必要であり,理論的な解釈が欠如している。 この問題に対処するために、時空間グラフ散乱変換(ST-GST)が理論的に解釈可能なフレームワークとして提案されたが、この手法の実証的な性能は完全な数学的設計によって制約されている。 両面の利点を生かして,時空間グラフ散乱変換とニューラルネットワークを有機的に組み合わせた新たな補完機構を提案し,時空間グラフ補完散乱ネットワーク(ST-GCSN)を提案する。 本質的には、数学的に設計されたグラフウェーブレットをプルーニング技術で活用し、主要な情報をカバーし、学習可能なネットワークを使用して補完的な情報をキャプチャする。 ハンドポーズ動作認識実験の結果,ST-GCSNはST-GCNとST-GSTの両方に優れていた。

関連論文リスト

• Revealing Decurve Flows for Generalized Graph Propagation [108.80758541147418]
  本研究は,有向グラフと重み付きグラフを用いて,m文を一般化した伝播を定義することによって,従来のメッセージパッシング(中心からグラフ学習)の限界に対処する。 この分野ではじめて、データセットにおける学習された伝播パターンの予備的な探索を含む。
  論文  参考訳（メタデータ） (2024-02-13T14:13:17Z)
• Graph Scattering beyond Wavelet Shackles [3.2971341821314777]
  この研究は、グラフ散乱ネットワークの設計と解析のための柔軟で数学的に健全なフレームワークを開発する。 グラフレベルの特徴アグリゲーションの新たな手法を導入し、結果として生じる複合散乱アーキテクチャの安定性を確立した。
  論文  参考訳（メタデータ） (2023-01-26T23:02:38Z)
• Space-Time Graph Neural Networks with Stochastic Graph Perturbations [100.31591011966603]
  時空間グラフニューラルネットワーク(ST-GNN)は、時間変動データの効率的なグラフ表現を学習する。 本稿では,ST-GNNの特性を再検討し,安定なグラフ安定性を示す。 解析の結果,ST-GNNは時間変化グラフ上での移動学習に適していることが示唆された。
  論文  参考訳（メタデータ） (2022-10-28T16:59:51Z)
• Generalization Guarantee of Training Graph Convolutional Networks with Graph Topology Sampling [83.77955213766896]
  グラフ畳み込みネットワーク(GCN)は近年,グラフ構造化データの学習において大きな成功を収めている。 スケーラビリティ問題に対処するため、Gsの学習におけるメモリと計算コストを削減するため、グラフトポロジサンプリングが提案されている。 本稿では,3層GCNのトレーニング(最大)におけるグラフトポロジサンプリングの最初の理論的正当性について述べる。
  論文  参考訳（メタデータ） (2022-07-07T21:25:55Z)
• Hyperspectral Image Classification With Contrastive Graph Convolutional Network [38.43072371303967]
  スペクトル情報と空間関係の両方に含まれる監視信号を調べるために,比較学習を伴うグラフ畳み込みネットワーク(GCN)モデルを提案する。 4つの典型的なベンチマークデータセットの実験結果は、定性的および定量的両面において提案したConGCNの有効性を確証している。
  論文  参考訳（メタデータ） (2022-05-11T12:06:37Z)
• A Comparative Study of Using Spatial-Temporal Graph Convolutional Networks for Predicting Availability in Bike Sharing Schemes [13.819341724635319]
  都市における自転車シェアリングシステムの利用可能な自転車の数を予測するための注意ベースのST-GCN(AST-GCN)を紹介します。 実験結果はdublinbikesとnyc-citi bikeの2つの実世界のデータセットを用いて提示した。
  論文  参考訳（メタデータ） (2021-04-21T17:13:29Z)
• Spatio-Temporal Graph Scattering Transform [54.52797775999124]
  グラフニューラルネットワークは、十分な高品質のトレーニングデータがないために、現実のシナリオでは実用的ではないかもしれない。 我々は時間的データを解析するための数学的に設計された新しいフレームワークを考案した。
  論文  参考訳（メタデータ） (2020-12-06T19:49:55Z)
• On the spatial attention in Spatio-Temporal Graph Convolutional Networks for skeleton-based human action recognition [97.14064057840089]
  カルチャーネットワーク(GCN)は、スケルトンをグラフとしてモデル化することで、スケルトンに基づく人間の行動認識の性能を約束する。 最近提案されたG時間に基づく手法のほとんどは、ネットワークの各層におけるグラフ構造を学習することで、性能を向上させる。
  論文  参考訳（メタデータ） (2020-11-07T19:03:04Z)
• Towards Deeper Graph Neural Networks [63.46470695525957]
  グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。 いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。 本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
  論文  参考訳（メタデータ） (2020-07-18T01:11:14Z)
• 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。