論文の概要: Continual Spatio-Temporal Graph Convolutional Networks

• arxiv url: http://arxiv.org/abs/2203.11009v2
• Date: Fri, 24 Mar 2023 08:32:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-27 18:49:10.291503
• Title: Continual Spatio-Temporal Graph Convolutional Networks
• Title（参考訳）: 連続時空間グラフ畳み込みネットワーク
• Authors: Lukas Hedegaard and Negar Heidari and Alexandros Iosifidis
• Abstract要約: 時空間グラフ畳み込みニューラルネットワークを連続推論ネットワークとして再構成する。 オンライン推論において、最大109倍の時間複雑性、26倍のハードウェアアクセラレーション、最大割り当てメモリの最大52%の削減を観測した。
• 参考スコア（独自算出の注目度）: 87.86552250152872
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph-based reasoning over skeleton data has emerged as a promising approach for human action recognition. However, the application of prior graph-based methods, which predominantly employ whole temporal sequences as their input, to the setting of online inference entails considerable computational redundancy. In this paper, we tackle this issue by reformulating the Spatio-Temporal Graph Convolutional Neural Network as a Continual Inference Network, which can perform step-by-step predictions in time without repeat frame processing. To evaluate our method, we create a continual version of ST-GCN, CoST-GCN, alongside two derived methods with different self-attention mechanisms, CoAGCN and CoS-TR. We investigate weight transfer strategies and architectural modifications for inference acceleration, and perform experiments on the NTU RGB+D 60, NTU RGB+D 120, and Kinetics Skeleton 400 datasets. Retaining similar predictive accuracy, we observe up to 109x reduction in time complexity, on-hardware accelerations of 26x, and reductions in maximum allocated memory of 52% during online inference.
• Abstract（参考訳）: スケルトンデータによるグラフに基づく推論は、人間の行動認識に有望なアプローチとして現れてきた。 しかし、オンライン推論の設定に主に時間列全体を入力として利用する従来のグラフベースの手法は、かなりの計算冗長性を必要とする。 本稿では,時空間グラフ畳み込みニューラルネットワークを連続推論ネットワークとして再構成することで,フレーム処理を繰り返すことなく段階的に予測を行う。 提案手法を評価するため,ST-GCN,CoST-GCN,CoAGCN,CoS-TRの2つの自己保持機構を持つ導出法を連続的に生成する。 提案手法は, NTU RGB+D 60, NTU RGB+D 120, Kinetics Skeleton 400 データセットを用いて, 重量移動戦略と予測加速度のアーキテクチャ修正について検討した。 同様の予測精度を維持しながら、時間複雑性の最大109倍の削減、26倍のハードウェア上のアクセラレーション、オンライン推論中の最大割り当てメモリの最大52%の削減を観察する。

関連論文リスト

• Signal-SGN: A Spiking Graph Convolutional Network for Skeletal Action Recognition via Learning Temporal-Frequency Dynamics [2.9578022754506605]
  骨格に基づく行動認識では、グラフ畳み込みネットワーク(GCN)はその複雑さと高エネルギー消費のために制限に直面している。 本稿では、骨格配列の時間次元をスパイキング時間ステップとして活用するSignal-SGN(Spiking Graph Convolutional Network)を提案する。 実験により,提案モデルが既存のSNN法を精度で上回るだけでなく,学習時の計算記憶コストも低減できることがわかった。
  論文  参考訳（メタデータ） (2024-08-03T07:47:16Z)
• Pre-Training Identification of Graph Winning Tickets in Adaptive Spatial-Temporal Graph Neural Networks [5.514795777097036]
  Lottery Ticket hypothesis (LTH) から派生した Graph Winning Ticket (GWT) の概念を導入する。 事前決定された恒星トポロジーをGWTとしてトレーニング前に採用することにより、エッジの削減と効率的な情報伝達のバランスをとることができる。 提案手法は,48GBのメモリを備えた単一A6000を用いて,最大規模の時空間データセット上でASTGNNのトレーニングを可能にする。
  論文  参考訳（メタデータ） (2024-06-12T14:53:23Z)
• DD-GCN: Directed Diffusion Graph Convolutional Network for Skeleton-based Human Action Recognition [10.115283931959855]
  Graphal Networks (GCNs) は骨格に基づく人間の行動認識に広く利用されている。 本稿では,行動モデリングのための指向的拡散を構築し,行動分割戦略を導入する。 また、同期時間意味論を組み込むことも提案する。
  論文  参考訳（メタデータ） (2023-08-24T01:53:59Z)
• TSGCNeXt: Dynamic-Static Multi-Graph Convolution for Efficient Skeleton-Based Action Recognition with Long-term Learning Potential [1.204694982718246]
  本研究では,時間空間グラフ ConvNeXt (TSGCNeXt) を提案する。 単純な構造を持つ新しいグラフ学習機構である動的統計分離多重グラフ畳み込み(DS-SMG)を提案する。 55.08%の高速化で動的グラフ学習のバックプロパゲーション計算を最適化するグラフ畳み込み学習促進機構を構築した。
  論文  参考訳（メタデータ） (2023-04-23T12:10:36Z)
• Temporal Aggregation and Propagation Graph Neural Networks for Dynamic Representation [67.26422477327179]
  時間グラフは連続時間を通してノード間の動的相互作用を示す。 本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。 提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-15T08:17:18Z)
• Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
  近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。 本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-25T08:45:14Z)
• Space-Time Graph Neural Networks [104.55175325870195]
  本研究では、時空間グラフニューラルネットワーク(ST-GNN)を導入し、時間変動ネットワークデータの時空間トポロジを共同処理する。 解析の結果,システムのネットワークトポロジと時間進化の変動はST-GNNの性能に大きく影響しないことがわかった。
  論文  参考訳（メタデータ） (2021-10-06T16:08:44Z)
• Spatiotemporal convolutional network for time-series prediction and causal inference [21.895413699349966]
  時系列のマルチステップ予測を効率的に正確にレンダリングするために、ニューラルネットワークコンピューティングフレームワークi.N.N.を開発した。 このフレームワークは、人工知能(AI)や機械学習分野の実践的応用において大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2021-07-03T06:20:43Z)
• Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
  我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。 ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
  論文  参考訳（メタデータ） (2020-11-26T14:43:04Z)
• Progressive Spatio-Temporal Graph Convolutional Network for Skeleton-Based Human Action Recognition [97.14064057840089]
  本稿では,グラフ畳み込みネットワークのためのコンパクトで問題固有のネットワークを,段階的に自動的に見つける手法を提案する。 骨格に基づく人体行動認識のための2つのデータセットの実験結果から,提案手法は競争力あるいはより優れた分類性能を有することが示された。
  論文  参考訳（メタデータ） (2020-11-11T09:57:49Z)

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。