Fugu-MT 論文翻訳(概要): Gait-based Age Group Classification with Adaptive Graph Neural Network

論文の概要: Gait-based Age Group Classification with Adaptive Graph Neural Network

arxiv url: http://arxiv.org/abs/2210.00294v1
Date: Sat, 1 Oct 2022 14:54:15 GMT
ステータス: 処理完了
システム内更新日: 2022-10-04 14:15:26.262578
Title: Gait-based Age Group Classification with Adaptive Graph Neural Network
Title（参考訳）: 適応グラフニューラルネットワークを用いた歩行に基づく年齢分類
Authors: Timilehin B. Aderinola, Tee Connie, Thian Song Ong, Andrew Beng Jin Teoh, Michael Kah Ong Goh
Abstract要約: 本稿では,年齢群分類のためのモデルに基づく歩行から年齢関連特徴を抽出する深層学習手法を提案する。 Part-AdaptIve Residual Graph Convolutional Neural Network (PairGCN)は、年齢に伴う特徴学習のために設計されている。
参考スコア（独自算出の注目度）: 14.186724639822287
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Deep learning techniques have recently been utilized for model-free age-associated gait feature extraction. However, acquiring model-free gait demands accurate pre-processing such as background subtraction, which is non-trivial in unconstrained environments. On the other hand, model-based gait can be obtained without background subtraction and is less affected by covariates. For model-based gait-based age group classification problems, present works rely solely on handcrafted features, where feature extraction is tedious and requires domain expertise. This paper proposes a deep learning approach to extract age-associated features from model-based gait for age group classification. Specifically, we first develop an unconstrained gait dataset called Multimedia University Gait Age and Gender dataset (MMU GAG). Next, the body joint coordinates are determined via pose estimation algorithms and represented as compact gait graphs via a novel part aggregation scheme. Then, a Part-AdaptIve Residual Graph Convolutional Neural Network (PairGCN) is designed for age-associated feature learning. Experiments suggest that PairGCN features are far more informative than handcrafted features, yielding up to 99% accuracy for classifying subjects as a child, adult, or senior in the MMU GAG dataset.
Abstract（参考訳）: 深層学習技術は、最近、モデルのない年齢関連歩行特徴抽出に活用されている。しかし, モデルフリー歩行の取得には, 制約のない環境では非自明なバックグラウンドサブトラクションのような, 正確な事前処理が必要である。一方, モデルに基づく歩行は, 背景下降を伴わずに得ることができ, 共変量の影響を受けない。モデルに基づく歩行に基づく年齢グループ分類の問題に対して、本研究は、特徴抽出が面倒でドメインの専門知識を必要とする手作り機能にのみ依存する。本稿では,年齢群分類のためのモデルに基づく歩行から年齢関連特徴を抽出する深層学習手法を提案する。具体的には、まず、マルチメディア大学歩行年齢・ジェンダーデータセット(MMU GAG)と呼ばれる、制約のない歩行データセットを開発する。次に、ボディジョイント座標をポーズ推定アルゴリズムにより決定し、新しい部分集約スキームを介してコンパクトな歩行グラフとして表現する。次に、年齢関連特徴学習のためにPairGCN(Part-AdaptIve Residual Graph Convolutional Neural Network)を設計する。実験の結果、PairGCNの特徴は手作りの特徴よりもはるかに有益であることが示唆され、MMU GAGデータセットの被検体を子供、成人、または高齢者として分類する精度は99%に達する。

関連論文リスト

Inductive Graph Few-shot Class Incremental Learning [34.19083477893245]
本稿では,新しいノードを持つ新しいクラスを継続的に学習するインダクティブGFSCILを提案する。トランスダクティブGFSCILと比較して、インダクティブ設定は、アクセス不能な先行データにより破滅的忘れを悪化させる。そこで我々はTopology-based class Augmentation and Prototype calibrationと呼ばれる新しい手法を提案する。
論文参考訳（メタデータ） (2024-11-11T00:06:20Z)
Two-level Graph Network for Few-Shot Class-Incremental Learning [7.815043173207539]
FSCIL(Few-shot class-incremental Learning)は、いくつかのデータポイントから新しい概念を継続的に学習できる機械学習アルゴリズムを設計することを目的としている。既存のFSCILメソッドは、サンプルレベルとクラスレベルの意味関係を無視する。本稿では,サンプルレベルとクラスレベルグラフニューラルネット(SCGN)というFSCIL用の2レベルグラフネットワークを設計した。
論文参考訳（メタデータ） (2023-03-24T08:58:08Z)
Neighborhood Convolutional Network: A New Paradigm of Graph Neural Networks for Node Classification [12.062421384484812]
グラフ畳み込みネットワーク(GCN)は、各畳み込み層における近傍の集約と特徴変換を分離する。本稿では,周辺畳み込みネットワーク(NCN)と呼ばれるGCNの新しいパラダイムを提案する。このようにして、モデルは、近隣情報を集約するための分離GCNの利点を継承すると同時に、より強力な特徴学習モジュールを開発することができる。
論文参考訳（メタデータ） (2022-11-15T02:02:51Z)
Do We Really Need a Learnable Classifier at the End of Deep Neural Network? [118.18554882199676]
本研究では、ニューラルネットワークを学習して分類器をランダムにETFとして分類し、訓練中に固定する可能性について検討する。実験結果から,バランスの取れたデータセットの画像分類において,同様の性能が得られることがわかった。
論文参考訳（メタデータ） (2022-03-17T04:34:28Z)
Graph Neural Network with Curriculum Learning for Imbalanced Node Classification [21.085314408929058]
グラフニューラルネットワーク(GNN)は,ノード分類などのグラフベースの学習タスクの新興技術である。本研究では,ノードラベルの不均衡に対するGNNの脆弱性を明らかにする。本稿では,2つのモジュールからなるカリキュラム学習(GNN-CL)を備えたグラフニューラルネットワークフレームワークを提案する。
論文参考訳（メタデータ） (2022-02-05T10:46:11Z)
Learning to Learn Graph Topologies [27.782971146122218]
ノードデータからグラフ構造へのマッピングを学習する(L2O)。このモデルは、ノードデータとグラフサンプルのペアを使ってエンドツーエンドでトレーニングされる。合成データと実世界のデータの両方の実験により、我々のモデルは、特定のトポロジ特性を持つグラフを学習する際の古典的反復アルゴリズムよりも効率的であることが示された。
論文参考訳（メタデータ） (2021-10-19T08:42:38Z)
Towards Open-World Feature Extrapolation: An Inductive Graph Learning Approach [80.8446673089281]
グラフ表現と学習を伴う新しい学習パラダイムを提案する。本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
論文参考訳（メタデータ） (2021-10-09T09:02:45Z)
Learning Spatial Context with Graph Neural Network for Multi-Person Pose Grouping [71.59494156155309]
イメージベース多人数ポーズ推定のためのボトムアップ手法は,キーポイント検出とグループ化の2段階からなる。本研究では,グラフ分割問題としてグループ化タスクを定式化し,グラフニューラルネットワーク(gnn)を用いて親和性行列を学習する。学習された幾何学に基づく親和性は、強固なキーポイント結合を達成するために外観に基づく親和性とさらに融合する。
論文参考訳（メタデータ） (2021-04-06T09:21:14Z)
Deep Reinforcement Learning of Graph Matching [63.469961545293756]
ノードとペアの制約下でのグラフマッチング(GM)は、最適化からコンピュータビジョンまでの領域におけるビルディングブロックである。 GMのための強化学習ソルバを提案する。 rgmはペアワイズグラフ間のノード対応を求める。本手法は,フロントエンドの特徴抽出と親和性関数学習に焦点をあてるという意味において,従来のディープグラフマッチングモデルと異なる。
論文参考訳（メタデータ） (2020-12-16T13:48:48Z)
Group-Wise Semantic Mining for Weakly Supervised Semantic Segmentation [49.90178055521207]
この研究は、画像レベルのアノテーションとピクセルレベルのセグメンテーションのギャップを埋めることを目標に、弱い監督されたセマンティックセグメンテーション(WSSS)に対処する。画像群における意味的依存関係を明示的にモデル化し,より信頼性の高い擬似的基盤構造を推定する,新たなグループ学習タスクとしてWSSSを定式化する。特に、入力画像がグラフノードとして表現されるグループ単位のセマンティックマイニングのためのグラフニューラルネットワーク(GNN)を考案する。
論文参考訳（メタデータ） (2020-12-09T12:40:13Z)
Pre-Trained Models for Heterogeneous Information Networks [57.78194356302626]
異種情報ネットワークの特徴を捉えるための自己教師付き事前学習・微調整フレームワークPF-HINを提案する。 PF-HINは4つのデータセットにおいて、各タスクにおける最先端の代替よりも一貫して、大幅に優れています。
論文参考訳（メタデータ） (2020-07-07T03:36:28Z)

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。