論文の概要: Learning to Simplify Spatial-Temporal Graphs in Gait Analysis
- arxiv url: http://arxiv.org/abs/2310.03396v1
- Date: Thu, 5 Oct 2023 09:03:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-06 16:54:13.997855
- Title: Learning to Simplify Spatial-Temporal Graphs in Gait Analysis
- Title（参考訳）: 歩行分析における空間時間グラフの簡易化
- Authors: Adrian Cosma and Emilian Radoi
- Abstract要約: 本稿では,歩行に基づく性別推定のための空間時間グラフ表現を簡略化する手法を提案する。
提案手法では,上流モデルと下流モデルという2つのモデルを用いて,歩行インスタンス毎に隣接行列を調整できる。
歩行に基づく性別推定のためのCASIA-Bデータセットに対するアプローチの有効性を示す。
- 参考スコア（独自算出の注目度）: 4.831663144935878
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Gait analysis leverages unique walking patterns for person identification and
assessment across multiple domains. Among the methods used for gait analysis,
skeleton-based approaches have shown promise due to their robust and
interpretable features. However, these methods often rely on hand-crafted
spatial-temporal graphs that are based on human anatomy disregarding the
particularities of the dataset and task. This paper proposes a novel method to
simplify the spatial-temporal graph representation for gait-based gender
estimation, improving interpretability without losing performance. Our approach
employs two models, an upstream and a downstream model, that can adjust the
adjacency matrix for each walking instance, thereby removing the fixed nature
of the graph. By employing the Straight-Through Gumbel-Softmax trick, our model
is trainable end-to-end. We demonstrate the effectiveness of our approach on
the CASIA-B dataset for gait-based gender estimation. The resulting graphs are
interpretable and differ qualitatively from fixed graphs used in existing
models. Our research contributes to enhancing the explainability and
task-specific adaptability of gait recognition, promoting more efficient and
reliable gait-based biometrics.
- Abstract（参考訳）: 歩行分析は、複数の領域にわたる個人識別と評価にユニークな歩行パターンを利用する。
歩行分析に用いられる手法のうち、スケルトンベースのアプローチは、その堅牢で解釈可能な特徴のために期待されている。
しかしながら、これらの手法はデータセットやタスクの特異性を無視した人間の解剖に基づく手作りの時空間グラフに依存することが多い。
本稿では,歩行に基づく性別推定のための空間時間グラフ表現を簡略化する手法を提案する。
提案手法では,上流モデルと下流モデルという2つのモデルを用いて,各ウォーキングインスタンスの隣接行列を調整し,グラフの固定特性を除去する。
Straight-Through Gumbel-Softmaxのトリックを利用することで、我々のモデルはエンドツーエンドでトレーニングできる。
歩行に基づく性別推定のためのCASIA-Bデータセットに対するアプローチの有効性を示す。
得られたグラフは解釈可能であり、既存のモデルで用いられる固定グラフと質的に異なる。
我々の研究は、歩行認識の説明可能性とタスク固有の適応性の向上に寄与し、より効率的で信頼性の高い歩行ベースのバイオメトリックスを促進する。
関連論文リスト
- Bures-Wasserstein Means of Graphs [60.42414991820453]
本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。
この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。
我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
論文 参考訳（メタデータ） (2023-05-31T11:04:53Z) - Creating generalizable downstream graph models with random projections [22.690120515637854]
本稿では,グラフ全体にわたってモデルを一般化するグラフ表現学習手法について検討する。
遷移行列の複数のパワーを推定するためにランダムな射影を用いることで、同型不変な特徴の集合を構築することができることを示す。
結果として得られる特徴は、ノードの局所的近傍に関する十分な情報を回復するために使用することができ、他のアプローチと競合する推論を可能にする。
論文 参考訳（メタデータ） (2023-02-17T14:27:00Z) - Localized Contrastive Learning on Graphs [110.54606263711385]
局所グラフコントラスト学習(Local-GCL)という,シンプルだが効果的なコントラストモデルを導入する。
その単純さにもかかわらず、Local-GCLは、様々なスケールと特性を持つグラフ上の自己教師付きノード表現学習タスクにおいて、非常に競争力のある性能を達成する。
論文 参考訳（メタデータ） (2022-12-08T23:36:00Z) - Similarity-aware Positive Instance Sampling for Graph Contrastive
Pre-training [82.68805025636165]
トレーニングセット内の既存グラフから直接正のグラフインスタンスを選択することを提案する。
私たちの選択は、特定のドメイン固有のペアワイズ類似度測定に基づいています。
さらに,ノードを動的にマスキングしてグラフ上に均等に分配する適応ノードレベルの事前学習手法を開発した。
論文 参考訳（メタデータ） (2022-06-23T20:12:51Z) - Importance Weighted Structure Learning for Scene Graph Generation [40.46394569128303]
本稿では,シーングラフ生成のための重み付き構造学習手法を提案する。
結果として生じる制約付き変動推論タスクを解決するために、一般的なエントロピーミラー降下アルゴリズムを適用した。
提案手法は,様々な人気シーングラフ生成ベンチマークにおいて,最先端の性能を実現する。
論文 参考訳（メタデータ） (2022-05-14T09:25:14Z) - Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。
また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文 参考訳（メタデータ） (2022-05-06T03:37:00Z) - Bayesian Graph Contrastive Learning [55.36652660268726]
本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。
提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。
いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
論文 参考訳（メタデータ） (2021-12-15T01:45:32Z) - From Canonical Correlation Analysis to Self-supervised Graph Neural
Networks [99.44881722969046]
本稿では,グラフデータを用いた自己教師付き表現学習のための概念的単純かつ効果的なモデルを提案する。
古典的カノニカル相関解析にインスパイアされた,革新的な特徴レベルの目的を最適化する。
提案手法は、7つの公開グラフデータセット上で競合的に動作する。
論文 参考訳（メタデータ） (2021-06-23T15:55:47Z) - Learning Graphs from Smooth Signals under Moment Uncertainty [23.868075779606425]
与えられたグラフ信号の集合からグラフ構造を推測する問題を検討する。
従来のグラフ学習モデルは、この分布の不確実性を考慮していない。
論文 参考訳（メタデータ） (2021-05-12T06:47:34Z)
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。