論文の概要: LSTA-Net: Long short-term Spatio-Temporal Aggregation Network for
Skeleton-based Action Recognition
- arxiv url: http://arxiv.org/abs/2111.00823v1
- Date: Mon, 1 Nov 2021 10:53:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-02 15:33:54.218813
- Title: LSTA-Net: Long short-term Spatio-Temporal Aggregation Network for
Skeleton-based Action Recognition
- Title(参考訳): LSTA-Net:スケルトンに基づく行動認識のための長期時空間アグリゲーションネットワーク
- Authors: Tailin Chen, Shidong Wang, Desen Zhou, Yu Guan
- Abstract要約: LSTA-Net(英語版) - 新しい短期時空間ネットワーク。
時間的・短期的な情報は、既存の作品ではよく調べられていない。
3つの公開ベンチマークデータセットで実験が行われた。
- 参考スコア(独自算出の注目度): 14.078419675904446
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modelling various spatio-temporal dependencies is the key to recognising
human actions in skeleton sequences. Most existing methods excessively relied
on the design of traversal rules or graph topologies to draw the dependencies
of the dynamic joints, which is inadequate to reflect the relationships of the
distant yet important joints. Furthermore, due to the locally adopted
operations, the important long-range temporal information is therefore not well
explored in existing works. To address this issue, in this work we propose
LSTA-Net: a novel Long short-term Spatio-Temporal Aggregation Network, which
can effectively capture the long/short-range dependencies in a spatio-temporal
manner. We devise our model into a pure factorised architecture which can
alternately perform spatial feature aggregation and temporal feature
aggregation. To improve the feature aggregation effect, a channel-wise
attention mechanism is also designed and employed. Extensive experiments were
conducted on three public benchmark datasets, and the results suggest that our
approach can capture both long-and-short range dependencies in the space and
time domain, yielding higher results than other state-of-the-art methods. Code
available at https://github.com/tailin1009/LSTA-Net.
- Abstract(参考訳): 様々な時空間依存のモデル化は、スケルトンシーケンスにおける人間の行動を認識する鍵となる。
既存の手法の多くは、ダイナミックジョイントの依存関係を引き出すためにトラバーサルルールやグラフトポロジの設計に過度に依存しており、これは遠方かつ重要なジョイントの関連性を反映していない。
さらに, 局所的な運用により, 重要な長距離時間情報については, 既存の作品ではよく調べられていない。
この問題に対処するため,我々はlsta-netを提案する。このネットワークは,長期・短距離の依存関係を時空間的に効果的に捉えることができる。
我々は,空間的特徴の集約と時間的特徴の集約を交互に行う純粋因子化アーキテクチャにモデルを考案する。
特徴集約効果を改善するため、チャネルワイドアテンション機構も設計・採用されている。
3つの公開ベンチマークデータセットで広範な実験を行い,提案手法は空間領域と時間領域における長短距離依存性の両方を捉えることができ,他の最先端手法よりも高い結果が得られることが示唆された。
コードはhttps://github.com/tailin1009/lsta-net。
関連論文リスト
- Causal and Local Correlations Based Network for Multivariate Time Series Classification [1.0499611180329804]
本研究では時系列分類のための因果相関と局所相関に基づくネットワーク(CaLoNet)を提案する。
UEAデータセットの実験は、CaLoNetが最先端の手法と比較して競争力のあるパフォーマンスを得ることができることを示している。
論文 参考訳(メタデータ) (2024-11-27T02:54:26Z) - Spatial-Temporal Multi-level Association for Video Object Segmentation [89.32226483171047]
本稿では,参照フレーム,テストフレーム,オブジェクト特徴を相互に関連付ける空間的・時間的多レベルアソシエーションを提案する。
具体的には,空間的・時間的多段階特徴関連モジュールを構築し,より優れた目標認識特徴を学習する。
論文 参考訳(メタデータ) (2024-04-09T12:44:34Z) - Multi-Scale Spatial-Temporal Self-Attention Graph Convolutional Networks for Skeleton-based Action Recognition [0.0]
本稿では,マルチスケール空間時間自己注意(MSST)-GCNという自己注意型GCNハイブリッドモデルを提案する。
適応トポロジを持つ空間自己保持モジュールを用いて、異なる身体部分間のフレーム内相互作用を理解するとともに、時間的自己保持モジュールを用いてノードのフレーム間の相関関係を調べる。
論文 参考訳(メタデータ) (2024-04-03T10:25:45Z) - A Decoupled Spatio-Temporal Framework for Skeleton-based Action
Segmentation [89.86345494602642]
既存の手法は、弱い時間的モデリング能力に制限されている。
この問題に対処するために、Decoupled Scoupled Framework (DeST)を提案する。
DeSTは計算量が少なく、現在の最先端の手法を著しく上回っている。
論文 参考訳(メタデータ) (2023-12-10T09:11:39Z) - Spatial-Temporal Graph Convolutional Gated Recurrent Network for Traffic
Forecasting [3.9761027576939414]
時空間グラフ畳み込みGated Recurrent Network (STGCGRN) という,トラフィック予測のための新しいフレームワークを提案する。
交通データ中の周期的な情報をマイニングすることで、長期依存を捕捉するアテンションモジュールを設計する。
4つのデータセットの実験は、我々のモデルの優れた性能を示している。
論文 参考訳(メタデータ) (2022-10-06T08:02:20Z) - Spatial-Temporal Graph ODE Networks for Traffic Flow Forecasting [22.421667339552467]
時空間予測は幅広い応用において大きな注目を集めており、交通流予測は標準的で典型的な例である。
既存の研究は通常、浅いグラフ畳み込みネットワーク(GNN)と時間的抽出モジュールを使用して、それぞれ空間的および時間的依存関係をモデル化する。
テンソル型常微分方程式(ODE)を用いて時空間ダイナミクスを捉える時空間グラフ正規微分方程式ネットワーク(STGODE)を提案する。
我々は,複数の実世界の交通データセット上でモデルを評価し,最先端のベースライン上で優れた性能を実現する。
論文 参考訳(メタデータ) (2021-06-24T11:48:45Z) - ORDNet: Capturing Omni-Range Dependencies for Scene Parsing [135.11360962062957]
Omni-Range Dependencies Network(ORDNet)を構築し、短距離、中長距離の依存関係を効果的にキャプチャします。
我々のORDNetは、より包括的なコンテキスト情報を抽出し、シーンイメージの複雑な空間分散に順応することができる。
論文 参考訳(メタデータ) (2021-01-11T14:51:11Z) - Spatial-Temporal Fusion Graph Neural Networks for Traffic Flow
Forecasting [35.072979313851235]
交通流の空間的-時間的データ予測は複雑な空間的依存性と道路間の時間的パターンの動的傾向のために難しい課題である。
既存のフレームワークは通常、与えられた空間隣接グラフと、空間的および時間的相関をモデル化する洗練されたメカニズムを利用する。
本稿では,交通流予測のための空間時間融合グラフニューラルネットワーク(STFGNN)を提案する。
論文 参考訳(メタデータ) (2020-12-15T14:03:17Z) - Supporting Optimal Phase Space Reconstructions Using Neural Network
Architecture for Time Series Modeling [68.8204255655161]
位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。
私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
論文 参考訳(メタデータ) (2020-06-19T21:04:47Z) - Disentangling and Unifying Graph Convolutions for Skeleton-Based Action
Recognition [79.33539539956186]
本稿では,マルチスケールグラフ畳み込みと,G3Dという空間時間グラフ畳み込み演算子を結合する簡単な方法を提案する。
これらの提案を結合することにより,MS-G3Dという強力な特徴抽出器を開発し,そのモデルが3つの大規模データセット上で従来の最先端手法より優れていることを示す。
論文 参考訳(メタデータ) (2020-03-31T11:28:25Z) - Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。
具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。
提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
論文 参考訳(メタデータ) (2020-01-09T10:21:04Z)
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。