論文の概要: Graph Contrastive Learning for Skeleton-based Action Recognition
- arxiv url: http://arxiv.org/abs/2301.10900v2
- Date: Sat, 10 Jun 2023 10:32:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-14 01:31:55.476174
- Title: Graph Contrastive Learning for Skeleton-based Action Recognition
- Title（参考訳）: 骨格に基づく行動認識のためのグラフコントラスト学習
- Authors: Xiaohu Huang, Hao Zhou, Jian Wang, Haocheng Feng, Junyu Han, Errui
Ding, Jingdong Wang, Xinggang Wang, Wenyu Liu, Bin Feng
- Abstract要約: 骨格に基づく行動認識のためのグラフコントラスト学習フレームワークを提案する。
SkeletonGCLは、グラフをクラス識別に強制することで、シーケンス間のグラフ学習を関連付ける。
SkeletonGCLは新しいトレーニングパラダイムを確立し、現在のグラフ畳み込みネットワークにシームレスに組み込むことができる。
- 参考スコア（独自算出の注目度）: 85.86820157810213
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the field of skeleton-based action recognition, current top-performing
graph convolutional networks (GCNs) exploit intra-sequence context to construct
adaptive graphs for feature aggregation. However, we argue that such context is
still \textit{local} since the rich cross-sequence relations have not been
explicitly investigated. In this paper, we propose a graph contrastive learning
framework for skeleton-based action recognition (\textit{SkeletonGCL}) to
explore the \textit{global} context across all sequences. In specific,
SkeletonGCL associates graph learning across sequences by enforcing graphs to
be class-discriminative, \emph{i.e.,} intra-class compact and inter-class
dispersed, which improves the GCN capacity to distinguish various action
patterns. Besides, two memory banks are designed to enrich cross-sequence
context from two complementary levels, \emph{i.e.,} instance and semantic
levels, enabling graph contrastive learning in multiple context scales.
Consequently, SkeletonGCL establishes a new training paradigm, and it can be
seamlessly incorporated into current GCNs. Without loss of generality, we
combine SkeletonGCL with three GCNs (2S-ACGN, CTR-GCN, and InfoGCN), and
achieve consistent improvements on NTU60, NTU120, and NW-UCLA benchmarks. The
source code will be available at
\url{https://github.com/OliverHxh/SkeletonGCL}.
- Abstract（参考訳）: スケルトンに基づく行動認識の分野では、現在のトップパフォーマンスグラフ畳み込みネットワーク(GCN)は、列内コンテキストを利用して特徴集約のための適応グラフを構築する。
しかし、そのような文脈は、リッチな直交関係が明確に研究されていないため、依然として \textit{local} であると主張する。
本稿では,骨格に基づく行動認識(\textit{SkeletonGCL})のためのグラフコントラスト学習フレームワークを提案する。
具体的には、スケルトンgclは、グラフをクラス差別的、すなわちクラス内コンパクトかつクラス間分散に強制することによって、シーケンス間でのグラフ学習を関連付け、様々なアクションパターンを識別するgcn能力を向上させる。
さらに、2つのメモリバンクは、複数のコンテキストスケールでグラフコントラスト学習を可能にするために、2つの補完的なレベルである \emph{i}インスタンスとセマンティックレベルからクロスシーケンスコンテキストを豊かにするように設計されている。
その結果、SkeletonGCLは新しいトレーニングパラダイムを確立し、現在のGCNにシームレスに組み込むことができる。
一般性を失うことなく、SkeletonGCLを3つのGCN(2S-ACGN、CTR-GCN、InfoGCN)と組み合わせ、NTU60、NTU120、NW-UCLAベンチマークで一貫した改善を実現した。
ソースコードは \url{https://github.com/OliverHxh/SkeletonGCL} で入手できる。
関連論文リスト
- Self-Attention Empowered Graph Convolutional Network for Structure
Learning and Node Embedding [5.164875580197953]
グラフ構造化データの表現学習では、多くの人気のあるグラフニューラルネットワーク(GNN)が長距離依存をキャプチャできない。
本稿では,自己注意型グラフ畳み込みネットワーク(GCN-SA)と呼ばれる新しいグラフ学習フレームワークを提案する。
提案手法はノードレベルの表現学習において例外的な一般化能力を示す。
論文 参考訳（メタデータ） (2024-03-06T05:00:31Z) - SE-GSL: A General and Effective Graph Structure Learning Framework
through Structural Entropy Optimization [67.28453445927825]
グラフニューラルネットワーク(GNN)は、構造的データ学習のデファクトソリューションである。
既存のグラフ構造学習(GSL)フレームワークには、堅牢性と解釈性がない。
本稿では、構造エントロピーと符号化木に抽象化されたグラフ階層を通して、一般的なGSLフレームワークSE-GSLを提案する。
論文 参考訳（メタデータ） (2023-03-17T05:20:24Z) - HCL: Improving Graph Representation with Hierarchical Contrastive
Learning [15.418743452614846]
階層的コントラスト学習(HCL)フレームワークは、階層的な方法でグラフ表現を明示的に学習する。
HCLはノード分類、ノードクラスタリング、グラフ分類を含む12のデータセットで競合性能を達成する。
論文 参考訳（メタデータ） (2022-10-21T15:07:46Z) - Unifying Graph Contrastive Learning with Flexible Contextual Scopes [57.86762576319638]
フレキシブルコンテキストスコープを用いたグラフコントラスト学習(略してUGCL)という自己教師型学習手法を提案する。
本アルゴリズムは,隣接行列のパワーを制御し,コンテキストスコープによるフレキシブルな文脈表現を構築する。
局所的スコープと文脈的スコープの両方の表現に基づいて、distLはグラフ表現学習のための非常に単純な対照的な損失関数を最適化する。
論文 参考訳（メタデータ） (2022-10-17T07:16:17Z) - Uncovering the Structural Fairness in Graph Contrastive Learning [87.65091052291544]
グラフコントラスト学習(GCL)は、ノード表現を学習するための有望な自己教師型アプローチとして登場した。
GCL法で得られた表現は,GCN法で学習した表現よりも既に公平であることを示す。
我々は、低次ノードと高次ノードに異なる戦略を適用し、GRAph contrastive learning for Degree bias (GRADE)と呼ばれるグラフ拡張手法を考案した。
論文 参考訳（メタデータ） (2022-10-06T15:58:25Z) - Learning Hierarchical Graph Neural Networks for Image Clustering [81.5841862489509]
本稿では,画像の集合を未知の個数にクラスタリングする方法を学ぶ階層型グラフニューラルネットワーク(GNN)モデルを提案する。
我々の階層的なGNNは、階層の各レベルで予測される連結コンポーネントをマージして、次のレベルで新しいグラフを形成するために、新しいアプローチを用いています。
論文 参考訳（メタデータ） (2021-07-03T01:28:42Z) - Adversarial Graph Augmentation to Improve Graph Contrastive Learning [21.54343383921459]
本稿では,GNNがトレーニング中に冗長な情報を捕捉することを避けるために,AD-GCL(adversarial-GCL)と呼ばれる新しい原理を提案する。
我々は、AD-GCLを最先端のGCL法と比較し、教師なしで最大$14%、転送で$6%、半教師なしの学習環境で$3%の性能向上を達成した。
論文 参考訳（メタデータ） (2021-06-10T15:34:26Z) - Multi-Level Graph Convolutional Network with Automatic Graph Learning
for Hyperspectral Image Classification [63.56018768401328]
HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。
空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。
MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
論文 参考訳（メタデータ） (2020-09-19T09:26:20Z) - Dynamic GCN: Context-enriched Topology Learning for Skeleton-based
Action Recognition [40.467040910143616]
本稿では,新しい畳み込みニューラルネットワークであるContextencoding Network(CeN)を導入し,骨格トポロジを自動的に学習する動的GCNを提案する。
CeNは非常に軽量だが効果的であり、グラフ畳み込み層に埋め込むことができる。
動的GCNは、既存のメソッドよりも2時間$4times$少なめのFLOPでパフォーマンスが向上する。
論文 参考訳（メタデータ） (2020-07-29T09:12:06Z) - 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。