論文の概要: Active Generation Network of Human Skeleton for Action Recognition

• arxiv url: http://arxiv.org/abs/2401.17086v1
• Date: Tue, 30 Jan 2024 15:09:37 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-31 14:30:11.682654
• Title: Active Generation Network of Human Skeleton for Action Recognition
• Title（参考訳）: 行動認識のためのヒト骨格のアクティブ生成ネットワーク
• Authors: Long Liu, Xin Wang, Fangming Li, Jiayu Chen
• Abstract要約: 本稿では,特定のアクションのデータが単一のサンプルまたは少数のサンプルである場合に,新たなアクションを生成するための新しいアクティブな生成ネットワーク(AGN)を提案する。 行動認識モデルは、各行動の予測ベクトルを生成し、不確実性計量を用いて評価する。
• 参考スコア（独自算出の注目度）: 6.659149199516758
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data generation is a data augmentation technique for enhancing the generalization ability for skeleton-based human action recognition. Most existing data generation methods face challenges to ensure the temporal consistency of the dynamic information for action. In addition, the data generated by these methods lack diversity when only a few training samples are available. To solve those problems, We propose a novel active generative network (AGN), which can adaptively learn various action categories by motion style transfer to generate new actions when the data for a particular action is only a single sample or few samples. The AGN consists of an action generation network and an uncertainty metric network. The former, with ST-GCN as the Backbone, can implicitly learn the morphological features of the target action while preserving the category features of the source action. The latter guides generating actions. Specifically, an action recognition model generates prediction vectors for each action, which is then scored using an uncertainty metric. Finally, UMN provides the uncertainty sampling basis for the generated actions.
• Abstract（参考訳）: データ生成は、骨格に基づく人間の行動認識の一般化能力を高めるためのデータ拡張技術である。 既存のデータ生成手法の多くは、動的情報の時間的一貫性を確保するための課題に直面している。 さらに、これらの方法によって生成されたデータは、少数のトレーニングサンプルしか利用できない場合、多様性を欠いている。 そこで本研究では,特定の動作に関するデータが1つのサンプルまたは数個のサンプルである場合に,動作スタイル転送によって適応的に様々なアクションカテゴリを学習し,新たなアクションを生成する新しいアクティブジェネレーティブネットワーク(agn)を提案する。 AGNはアクション生成ネットワークと不確実性メトリックネットワークで構成される。 前者はST-GCNをバックボーンとして、ソースアクションのカテゴリの特徴を保持しながら、ターゲットアクションの形態的特徴を暗黙的に学習することができる。 後者はアクションを生成する。 具体的には、アクション認識モデルが各アクションに対する予測ベクトルを生成し、不確実性メトリックを用いてスコア付けする。 最後に、UMNは生成されたアクションに対する不確実性サンプリングベースを提供する。

関連論文リスト

• Frequency-Guided Multi-Level Human Action Anomaly Detection with Normalizing Flows [13.77542608443034]
  本研究では,人間の行動異常検出(HAAD)の課題について紹介する。 ビデオからの異常な出来事に主に焦点をあてる以前の人間関係の異常検出タスクと比較して、HAADは、意味的に異常な人間の行動を認識するために、特定のアクションラベルを学習する。
  論文  参考訳（メタデータ） (2024-04-26T12:56:16Z)
• Diffusion-Based Neural Network Weights Generation [80.89706112736353]
  D2NWGは拡散に基づくニューラルネットワーク重み生成技術であり、転送学習のために高性能な重みを効率よく生成する。 本稿では,ニューラルネットワーク重み生成のための遅延拡散パラダイムを再放送するために,生成的ハイパー表現学習を拡張した。 我々のアプローチは大規模言語モデル(LLM)のような大規模アーキテクチャにスケーラブルであり、現在のパラメータ生成技術の限界を克服しています。
  論文  参考訳（メタデータ） (2024-02-28T08:34:23Z)
• Learning Disentangled Identifiers for Action-Customized Text-to-Image Generation [34.11373539564126]
  本研究では,テキスト・ツー・イメージ(T2I)生成における新しいタスク,すなわちアクション・カスタマイズに焦点を当てた。 この課題の目的は、限られたデータから既存の行動を学び、それを見えない人間や動物に一般化することである。
  論文  参考訳（メタデータ） (2023-11-27T14:07:13Z)
• Complementary Learning Subnetworks for Parameter-Efficient Class-Incremental Learning [40.13416912075668]
  本稿では,2つの補完学習サブネットワークス間のシナジーを通じて連続的に学習するリハーサルフリーなCILアプローチを提案する。 提案手法は, 精度向上, メモリコスト, トレーニング効率, タスク順序など, 最先端手法と競合する結果が得られる。
  論文  参考訳（メタデータ） (2023-06-21T01:43:25Z)
• Deep Graph Reprogramming [112.34663053130073]
  グラフニューラルネットワーク(GNN)に適したタスク再利用モデル「ディープグラフ再プログラミング」 本稿では,モデル再プログラミングパラダイムと並行して,革新的なデータ再プログラミングパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-04-28T02:04:29Z)
• Robust Knowledge Adaptation for Dynamic Graph Neural Networks [61.8505228728726]
  動的グラフニューラルネットワークのための強化学習による堅牢な知識適応フレームワークであるAda-DyGNNを提案する。 我々のアプローチは、強化学習による堅牢な知識適応を探求する最初の試みである。 3つのベンチマークデータセットの実験は、Ada-DyGNNが最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2022-07-22T02:06:53Z)
• Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based Action Recognition [88.34182299496074]
  アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。 我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。 時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
  論文  参考訳（メタデータ） (2022-07-17T07:05:39Z)
• Overcoming Mode Collapse with Adaptive Multi Adversarial Training [5.09817514580101]
  GAN(Generative Adversarial Networks)は、様々なアプリケーションで使用される生成モデルのクラスである。 GANは、ターゲット分布のいくつかのモードがジェネレータによって無視されるモード崩壊問題に悩まされていることが知られている。 本稿では,従来の世代形態を記憶するために,新たな差別者を適応的に生成する新たな訓練手法を提案する。
  論文  参考訳（メタデータ） (2021-12-29T05:57:55Z)
• Hierarchical Prototype Networks for Continual Graph Representation Learning [90.78466005753505]
  本稿では,連続的に拡張されたグラフを表現するために,プロトタイプの形式で抽象的な知識のレベルを抽出する階層型プロトタイプネットワーク(HPN)を提案する。 我々はHPNが最先端のベースライン技術を上回るだけでなく、メモリ消費も比較的少ないことを示した。
  論文  参考訳（メタデータ） (2021-11-30T14:15:14Z)
• 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)

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。