論文の概要: Interpretable Gait Recognition by Granger Causality
- arxiv url: http://arxiv.org/abs/2206.06714v1
- Date: Tue, 14 Jun 2022 09:39:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-15 23:56:39.236284
- Title: Interpretable Gait Recognition by Granger Causality
- Title(参考訳): グレンジャー因果関係による解釈可能な歩行認識
- Authors: Michal Balazia, Katerina Hlavackova-Schindler, Petr Sojka, Claudia
Plant
- Abstract要約: グラフィカル・グランガー因果推論による歩行系列の解釈可能な特徴表現を提案する。
実験により、GGMは最も差別的な関節相互作用を検出できることが示された。
提案したGGMモデルは、キネシオロジーにおける歩行分析やビデオ監視における歩行認識のための補完ツールとして機能する。
- 参考スコア(独自算出の注目度): 10.575405395234306
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Which joint interactions in the human gait cycle can be used as biometric
characteristics? Most current methods on gait recognition suffer from the lack
of interpretability. We propose an interpretable feature representation of gait
sequences by the graphical Granger causal inference. Gait sequence of a person
in the standardized motion capture format, constituting a set of 3D joint
spatial trajectories, is envisaged as a causal system of joints interacting in
time. We apply the graphical Granger model (GGM) to obtain the so-called
Granger causal graph among joints as a discriminative and visually
interpretable representation of a person's gait. We evaluate eleven distance
functions in the GGM feature space by established classification and
class-separability evaluation metrics. Our experiments indicate that, depending
on the metric, the most appropriate distance functions for the GGM are the
total norm distance and the Ky-Fan 1-norm distance. Experiments also show that
the GGM is able to detect the most discriminative joint interactions and that
it outperforms five related interpretable models in correct classification rate
and in Davies-Bouldin index. The proposed GGM model can serve as a
complementary tool for gait analysis in kinesiology or for gait recognition in
video surveillance.
- Abstract(参考訳): ヒト歩行周期のどの関節相互作用が生体特性として利用できるか?
現在の歩容認識の方法は、解釈可能性の欠如に苦しむ。
グラフィカル・グランガー因果推論による歩行系列の解釈可能な特徴表現を提案する。
3次元ジョイント空間軌跡の集合を構成する標準化モーションキャプチャ形式における人の歩行順序を、時間的に相互作用するジョイントの因果システムとして考察する。
グラフィカルグランジャーモデル(ggm)を用いて、関節間のいわゆるグランガー因果グラフを、人の歩行の判別および視覚的解釈可能な表現として得る。
我々は,GGM特徴空間における11個の距離関数を,確立された分類とクラス分離性評価指標を用いて評価した。
実験結果から, GGM における最も適切な距離関数は全ノルム距離と Ky-Fan 1-norm 距離であることがわかった。
実験により、GGMは最も識別性の高い関節相互作用を検出でき、5つの関連する解釈可能なモデルを正しい分類率とデイビーズ・ボルディン指数で上回っていることが示された。
提案したGGMモデルは、キネシオロジーにおける歩行分析やビデオ監視における歩行認識のための補完ツールとして機能する。
関連論文リスト
- Exploring Neural Granger Causality with xLSTMs: Unveiling Temporal Dependencies in Complex Data [20.773694998061707]
時系列における因果関係は、特に非線形依存の存在下では決定が難しい。
本稿では,変数間の長距離関係を捉えるために,Granger causal xLSTM(GC-xLSTM)を提案する。
提案したGC-xLSTMモデルの総合的有効性を示す3つのデータセットに関する実験的検討を行った。
論文 参考訳(メタデータ) (2025-02-14T08:07:03Z) - Granger Causality Detection with Kolmogorov-Arnold Networks [20.96356350801151]
本研究は神経顆粒因性モデルの定義に寄与する。
我々は,Granger Causality Kan(GC-KAN)と呼ばれるフレームワークを開発し,Granger Causality Detectionに特化したトレーニング手法を開発した。
以上の結果から, Kas が Kolmogorov-Arnoldgressive Network (KAN) より優れている可能性が示唆された。
論文 参考訳(メタデータ) (2024-12-19T20:10:34Z) - Granger causal inference on DAGs identifies genomic loci regulating
transcription [77.58911272503771]
GrID-Netは、DBG構造化システムにおけるGranger因果推論のためのラタグメッセージパッシングを備えたグラフニューラルネットワークに基づくフレームワークである。
我々の応用は、特定の遺伝子の調節を仲介するゲノム座を同定する単一セルマルチモーダルデータの解析である。
論文 参考訳(メタデータ) (2022-10-18T21:15:10Z) - GLACIAL: Granger and Learning-based Causality Analysis for Longitudinal Imaging Studies [8.709178038700033]
本稿では,GLACIAL (Granger and LeArning-based CausalIty Analysis for Longitudinal study) という手法を用いて,この手法のギャップを埋める手法を提案する。
本稿では, GLACIAL (Granger and LeArning-based CausalIty Analysis for Longitudinal Studies) という手法を用いて, この方法論的ギャップを埋める手法を提案する。
論文 参考訳(メタデータ) (2022-10-13T23:42:13Z) - Exploiting Neighbor Effect: Conv-Agnostic GNNs Framework for Graphs with
Heterophily [58.76759997223951]
我々はフォン・ノイマンエントロピーに基づく新しい計量を提案し、GNNのヘテロフィリー問題を再検討する。
また、異種データセット上でのほとんどのGNNの性能を高めるために、Conv-Agnostic GNNフレームワーク(CAGNN)を提案する。
論文 参考訳(メタデータ) (2022-03-19T14:26:43Z) - Effect Identification in Cluster Causal Diagrams [51.42809552422494]
クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。
C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。
我々はC-DAGに対する因果推論のための基礎と機械を開発する。
論文 参考訳(メタデータ) (2022-02-22T21:27:31Z) - An Adversarial Human Pose Estimation Network Injected with Graph
Structure [75.08618278188209]
本稿では,いくつかの関節が見えない場合に,可視関節の局所化精度を向上させるために,新しいGAN(Generative Adversarial Network)を設計する。
ネットワークは、2つのシンプルで効率的なモジュール、カスケード機能ネットワーク(CFN)とグラフ構造ネットワーク(GSN)で構成されています。
論文 参考訳(メタデータ) (2021-03-29T12:07:08Z) - DRG: Dual Relation Graph for Human-Object Interaction Detection [65.50707710054141]
人-物間相互作用(HOI)検出の課題に対処する。
既存の方法は、人間と物体の対の相互作用を独立に認識するか、複雑な外観に基づく共同推論を行う。
本稿では,抽象的空間意味表現を活用して,各対象対を記述し,二重関係グラフを用いてシーンの文脈情報を集約する。
論文 参考訳(メタデータ) (2020-08-26T17:59:40Z) - Mixture of Conditional Gaussian Graphical Models for unlabelled
heterogeneous populations in the presence of co-factors [0.0]
ガウス図形モデル(GGM)内の条件相関ネットワークは、ランダムベクトルの成分間の直接相互作用を記述するために広く使われている。
本稿では,データポイントをサブポピュレーション対応クラスタに再分類するために,共機能の不均一な効果を減じる条件付きGGM(Mixture of Conditional GGM)を提案する。
論文 参考訳(メタデータ) (2020-06-19T11:57:30Z) - Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく
我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。
EGAEは1つのエンコーダと2つのデコーダで構成される。
論文 参考訳(メタデータ) (2020-02-20T09:53:28Z)
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。