論文の概要: A Central Difference Graph Convolutional Operator for Skeleton-Based Action Recognition

• arxiv url: http://arxiv.org/abs/2111.06995v1
• Date: Sat, 13 Nov 2021 00:02:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-16 16:21:24.927483
• Title: A Central Difference Graph Convolutional Operator for Skeleton-Based Action Recognition
• Title（参考訳）: スケルトンベース行動認識のための中央差分グラフ畳み込み演算子
• Authors: Shuangyan Miao, Yonghong Hou, Zhimin Gao, Mingliang Xu, and Wanqing Li
• Abstract要約: 本稿では、骨格に基づく行動認識のための中央差分グラフ畳み込み(CDGC)と呼ばれる新しいグラフ畳み込み演算子を提案する。 CDGCは、既存のグラフ畳み込みネットワーク(GCN)におけるバニラグラフ畳み込みを置き換えることができる
• 参考スコア（独自算出の注目度）: 29.6143697511874
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper proposes a new graph convolutional operator called central difference graph convolution (CDGC) for skeleton based action recognition. It is not only able to aggregate node information like a vanilla graph convolutional operation but also gradient information. Without introducing any additional parameters, CDGC can replace vanilla graph convolution in any existing Graph Convolutional Networks (GCNs). In addition, an accelerated version of the CDGC is developed which greatly improves the speed of training. Experiments on two popular large-scale datasets NTU RGB+D 60 & 120 have demonstrated the efficacy of the proposed CDGC. Code is available at https://github.com/iesymiao/CD-GCN.
• Abstract（参考訳）: 本稿では, 中心差分グラフ畳み込み(central difference graph convolution, cdgc)と呼ばれる新しいグラフ畳み込み演算子を提案する。 バニラグラフ畳み込み操作のようなノード情報を集約するだけでなく、勾配情報も集約できる。 追加のパラメータを導入することなく、CDGCは既存のグラフ畳み込みネットワーク(GCN)のバニラグラフ畳み込みを置き換えることができる。 さらに,CDGCの高速化版を開発し,学習速度を大幅に向上させた。 NTU RGB+D 60と120の2つの一般的な大規模データセットの実験は、提案したCDGCの有効性を実証した。 コードはhttps://github.com/iesymiao/CD-GCNで入手できる。

関連論文リスト

• Scalable Graph Compressed Convolutions [68.85227170390864]
  ユークリッド畳み込みのための入力グラフのキャリブレーションに置換を適用する微分可能手法を提案する。 グラフキャリブレーションに基づいて,階層型グラフ表現学習のための圧縮畳み込みネットワーク(CoCN)を提案する。
  論文  参考訳（メタデータ） (2024-07-26T03:14:13Z)
• Graph Edge Representation via Tensor Product Graph Convolutional Representation [23.021660625582854]
  本稿では,Product Graph Convolution (TPGC) と呼ばれるエッジ特徴を持つグラフ上の効率的な畳み込み演算子を定義する。 従来のグラフ畳み込み(GC)を補完するモデルを提供し、ノードとエッジの両方でより一般的なグラフデータ解析に対処する。 いくつかのグラフ学習タスクの実験結果から,提案したTPGCの有効性が示された。
  論文  参考訳（メタデータ） (2024-06-21T03:21:26Z)
• CKGConv: General Graph Convolution with Continuous Kernels [24.58050212186722]
  グラフ位置符号化によって導出される疑似座標の連続関数としてカーネルをパラメータ化することで、新しい一般的なグラフ畳み込みフレームワークを提案する。 このContinuous Kernel Graph Convolution(CKGConv)と名付けます。 CKGConvベースのネットワークは、既存のグラフ畳み込みネットワークよりも優れており、様々なグラフデータセットで最高のグラフ変換器と互換性があることを示す。
  論文  参考訳（メタデータ） (2024-04-21T10:26:13Z)
• Cell Graph Transformer for Nuclei Classification [78.47566396839628]
  我々は,ノードとエッジを入力トークンとして扱うセルグラフ変換器(CGT)を開発した。 不愉快な特徴は、騒々しい自己注意スコアと劣等な収束につながる可能性がある。 グラフ畳み込みネットワーク(GCN)を利用して特徴抽出器を学習する新しいトポロジ対応事前学習法を提案する。
  論文  参考訳（メタデータ） (2024-02-20T12:01:30Z)
• From Cluster Assumption to Graph Convolution: Graph-based Semi-Supervised Learning Revisited [51.24526202984846]
  グラフベースの半教師付き学習(GSSL)は、長い間ホットな研究トピックだった。 グラフ畳み込みネットワーク (GCN) は, 有望な性能を示す主要な技術となっている。
  論文  参考訳（メタデータ） (2023-09-24T10:10:21Z)
• AnchorGAE: General Data Clustering via $O(n)$ Bipartite Graph Convolution [79.44066256794187]
  我々は、グラフ畳み込みネットワーク(GCN)を構築するために使用される生成グラフモデルを導入することにより、グラフに非グラフデータセットを変換する方法を示す。 アンカーによって構築された二部グラフは、データの背後にある高レベル情報を利用するために動的に更新される。 理論的には、単純な更新が退化につながることを証明し、それに従って特定の戦略が設計される。
  論文  参考訳（メタデータ） (2021-11-12T07:08:13Z)
• Graph Contrastive Learning with Augmentations [109.23158429991298]
  グラフデータの教師なし表現を学習するためのグラフコントラスト学習(GraphCL)フレームワークを提案する。 我々のフレームワークは、最先端の手法と比較して、類似またはより良い一般化可能性、転送可能性、堅牢性のグラフ表現を作成できることを示す。
  論文  参考訳（メタデータ） (2020-10-22T20:13:43Z)
• Dirichlet Graph Variational Autoencoder [65.94744123832338]
  本稿では,グラフクラスタメンバシップを潜在因子とするDGVAE(Dirichlet Graph Variational Autoencoder)を提案する。 バランスグラフカットにおける低パス特性により、入力グラフをクラスタメンバシップにエンコードする、Heattsと呼ばれるGNNの新しい変種を提案する。
  論文  参考訳（メタデータ） (2020-10-09T07:35:26Z)
• Directed Graph Convolutional Network [15.879411956536885]
  スペクトルベースのグラフ畳み込みを1階と2階の近接を利用して有向グラフに拡張する。 DGCNと呼ばれる新しいGCNモデルは、有向グラフ上で表現を学ぶように設計されている。
  論文  参考訳（メタデータ） (2020-04-29T06:19:10Z)
• K-Core based Temporal Graph Convolutional Network for Dynamic Graphs [19.237377882738063]
  動的グラフのノード表現を学習するために,新しいk-coreベースの時間グラフ畳み込みネットワークであるCTGCNを提案する。 従来の動的グラフ埋め込み法とは対照的に、CTGCNは局所的な連結近接と大域的な構造的類似性の両方を保存できる。 7つの実世界のグラフに対する実験結果から、CTGCNは既存の最先端グラフの埋め込み方法よりもいくつかのタスクで優れていることが示された。
  論文  参考訳（メタデータ） (2020-03-22T14:15:27Z)

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。