論文の概要: High-Performance Inference Graph Convolutional Networks for Skeleton-Based Action Recognition

• arxiv url: http://arxiv.org/abs/2305.18710v2
• Date: Tue, 18 Jun 2024 09:50:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-20 05:23:38.645702
• Title: High-Performance Inference Graph Convolutional Networks for Skeleton-Based Action Recognition
• Title（参考訳）: 骨格に基づく行動認識のための高性能推論グラフ畳み込みネットワーク
• Authors: Ziao Li, Junyi Wang, Bangli Liu, Haibin Cai, Mohamad Saada, Qinggang Meng,
• Abstract要約: 本稿では,HPI-GCN-RPとHPI-GCN-OPという2つの新しい高性能推論GCNを提案する。 我々のHPI-GCN-OPは、NTU-RGB+D 60データセットのクロスオブジェクト分割で93%、NTU-RGB+D 120データセットで90.1%の精度を達成する。
• 参考スコア（独自算出の注目度）: 6.728040264083982
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, the significant achievements have been made in skeleton-based human action recognition with the emergence of graph convolutional networks (GCNs). However, the state-of-the-art (SOTA) models used for this task focus on constructing more complex higher-order connections between joint nodes to describe skeleton information, which leads to complex inference processes and high computational costs. To address the slow inference speed caused by overly complex model structures, we introduce re-parameterization and over-parameterization techniques to GCNs and propose two novel high-performance inference GCNs, namely HPI-GCN-RP and HPI-GCN-OP. After the completion of model training, model parameters are fixed. HPI-GCN-RP adopts re-parameterization technique to transform high-performance training model into fast inference model through linear transformations, which achieves a higher inference speed with competitive model performance. HPI-GCN-OP further utilizes over-parameterization technique to achieve higher performance improvement by introducing additional inference parameters, albeit with slightly decreased inference speed. The experimental results on the two skeleton-based action recognition datasets demonstrate the effectiveness of our approach. Our HPI-GCN-OP achieves performance comparable to the current SOTA models, with inference speeds five times faster. Specifically, our HPI-GCN-OP achieves an accuracy of 93\% on the cross-subject split of the NTU-RGB+D 60 dataset, and 90.1\% on the cross-subject benchmark of the NTU-RGB+D 120 dataset. Code is available at github.com/lizaowo/HPI-GCN.
• Abstract（参考訳）: 近年,グラフ畳み込みネットワーク(GCN)の出現に伴い,骨格に基づく人間の行動認識において重要な成果が得られた。 しかし、このタスクで使用される最新技術(SOTA)モデルは、スケルトン情報を記述するために関節ノード間のより複雑な高次接続を構築することに焦点を当て、複雑な推論プロセスと高い計算コストをもたらす。 過度に複雑なモデル構造によって引き起こされる遅い推論速度に対処するため、GCNに再パラメータ化と過パラメータ化技術を導入し、HPI-GCN-RPとHPI-GCN-OPという2つの新しい高性能推論GCNを提案する。 モデルトレーニングが完了すると、モデルパラメータが固定される。 HPI-GCN-RPは、線形変換により高速な推論モデルに高速な推論モデルに変換する再パラメータ化手法を採用し、競合モデルの性能と高い推論速度を実現する。 HPI-GCN-OPはさらに過パラメータ化技術を利用して、推論速度がわずかに低下しているにもかかわらず、追加の推論パラメータを導入することにより、より高いパフォーマンス向上を実現する。 2つの骨格に基づく行動認識データセットの実験結果から,本手法の有効性が示された。 我々のHPI-GCN-OPは、現在のSOTAモデルに匹敵する性能を達成し、推論速度は5倍高速である。 具体的には,我々のHPI-GCN-OPは,NTU-RGB+D 60データセットのクロスオブジェクト分割で93%,NTU-RGB+D 120データセットのクロスオブジェクトベンチマークで90.1%の精度を実現している。 コードはgithub.com/lizaowo/HPI-GCNで入手できる。

関連論文リスト

• Flattened Graph Convolutional Networks For Recommendation [18.198536511983452]
  本稿では,既存のモデルに比べて非常に少ない複雑さで優れた性能を達成できるフラット化GCN(FlatGCN)モデルを提案する。 まず,1つの平坦なGCN層を用いて周辺情報を集約する簡易かつ強力なGCNアーキテクチャを提案する。 次に,隣り合うノード間の相関を計測し,最も価値のある隣人を選択するための情報的隣人-infomaxサンプリング手法を提案する。 第3に,最終層に階層的近傍表現を組み立てることで,学習した表現の表現性を向上する層アンサンブル手法を提案する。
  論文  参考訳（メタデータ） (2022-09-25T12:53:50Z)
• Comprehensive Graph Gradual Pruning for Sparse Training in Graph Neural Networks [52.566735716983956]
  本稿では,CGPと呼ばれるグラフの段階的プルーニングフレームワークを動的にGNNに提案する。 LTHに基づく手法とは異なり、提案手法では再学習を必要とせず、計算コストを大幅に削減する。 提案手法は,既存の手法の精度を一致させたり,あるいは超えたりしながら,トレーニングと推論の効率を大幅に向上させる。
  論文  参考訳（メタデータ） (2022-07-18T14:23:31Z)
• Continual Spatio-Temporal Graph Convolutional Networks [87.86552250152872]
  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。
  論文  参考訳（メタデータ） (2022-03-21T14:23:18Z)
• Automated Graph Learning via Population Based Self-Tuning GCN [45.28411311903644]
  グラフ畳み込みネットワーク(GCN)とその変種は、幅広いタスクにうまく適用されている。 従来のGCNモデルはオーバーフィッティングとオーバースムーシングの問題に悩まされている。 DropEdgeのような最近の技術はこれらの問題を緩和し、ディープGCNの開発を可能にする。
  論文  参考訳（メタデータ） (2021-07-09T23:05:21Z)
• Parameterized Hypercomplex Graph Neural Networks for Graph Classification [1.1852406625172216]
  我々は超複雑特徴変換の特性を利用するグラフニューラルネットワークを開発した。 特に、提案したモデルのクラスでは、代数自身を特定する乗法則は、トレーニング中にデータから推測される。 提案するハイパーコンプレックスgnnをいくつかのオープングラフベンチマークデータセット上でテストし,そのモデルが最先端の性能に達することを示す。
  論文  参考訳（メタデータ） (2021-03-30T18:01:06Z)
• On the spatial attention in Spatio-Temporal Graph Convolutional Networks for skeleton-based human action recognition [97.14064057840089]
  カルチャーネットワーク(GCN)は、スケルトンをグラフとしてモデル化することで、スケルトンに基づく人間の行動認識の性能を約束する。 最近提案されたG時間に基づく手法のほとんどは、ネットワークの各層におけるグラフ構造を学習することで、性能を向上させる。
  論文  参考訳（メタデータ） (2020-11-07T19:03:04Z)
• Temporal Attention-Augmented Graph Convolutional Network for Efficient Skeleton-Based Human Action Recognition [97.14064057840089]
  グラフネットワーク(GCN)はユークリッド以外のデータ構造をモデル化するのに非常に成功した。 ほとんどのGCNベースのアクション認識手法は、計算量の多いディープフィードフォワードネットワークを使用して、全てのスケルトンをアクションで処理する。 本稿では,骨格に基づく行動認識の効率を高めるための時間的アテンションモジュール(TAM)を提案する。
  論文  参考訳（メタデータ） (2020-10-23T08:01:55Z)
• Lightweight, Dynamic Graph Convolutional Networks for AMR-to-Text Generation [56.73834525802723]
  軽量な動的グラフ畳み込みネットワーク (LDGCN) を提案する。 LDGCNは入力グラフから高次情報を合成することにより、よりリッチな非局所的な相互作用をキャプチャする。 我々は,グループグラフの畳み込みと重み付き畳み込みに基づく2つの新しいパラメータ保存戦略を開発し,メモリ使用量とモデル複雑性を低減する。
  論文  参考訳（メタデータ） (2020-10-09T06:03:46Z)
• Hyperparameter Optimization in Neural Networks via Structured Sparse Recovery [54.60327265077322]
  スパースリカバリ法のレンズを用いて,ニューラルネットワークの自動設計における2つの重要な問題について検討する。 本論文の前半では,HPOと構造的スパースリカバリの新たな接続を確立する。 本論文の第2部では,NASと構造的スパース回復の関連性を確立する。
  論文  参考訳（メタデータ） (2020-07-07T00:57:09Z)
• Single-Layer Graph Convolutional Networks For Recommendation [17.3621098912528]
  Graph Convolutional Networks (GCNs) は、推奨タスクで最先端のパフォーマンスを達成した。 既存のGCNモデルでは、関連するすべてのノード間で再帰アグリゲーションを行う傾向があり、計算上の重荷が発生する。 DA類似性によってフィルタリングされた隣人からの情報を集約し,ノード表現を生成するための単一のGCN層を提案する。
  論文  参考訳（メタデータ） (2020-06-07T14:38:47Z)
• Feedback Graph Convolutional Network for Skeleton-based Action Recognition [38.782491442635205]
  フィードバックグラフ畳み込みネットワーク(FGCN)という新しいネットワークを提案する。 これは、GCNとアクション認識にフィードバックメカニズムを導入する最初の作業である。 3つのデータセット上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-03-17T07:20:47Z)

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。