Fugu-MT 論文翻訳(概要): ReL-SAR: Representation Learning for Skeleton Action Recognition with Convolutional Transformers and BYOL

論文の概要: ReL-SAR: Representation Learning for Skeleton Action Recognition with Convolutional Transformers and BYOL

arxiv url: http://arxiv.org/abs/2409.05749v1
Date: Mon, 9 Sep 2024 16:03:26 GMT
ステータス: 処理完了
システム内更新日: 2024-09-10 13:56:09.407351
Title: ReL-SAR: Representation Learning for Skeleton Action Recognition with Convolutional Transformers and BYOL
Title（参考訳）: ReL-SAR:畳み込み変換器とBYOLを用いた骨格行動認識のための表現学習
Authors: Safwen Naimi, Wassim Bouachir, Guillaume-Alexandre Bilodeau,
Abstract要約: 非教師なし表現学習は、ラベルのない骨格データを活用する上で最も重要なものである。 ReL-SARと呼ばれる軽量な畳み込みトランスフォーマフレームワークを設計し、骨格配列の空間的および時間的キューを共同でモデル化する。 Bootstrap Your Own Latent (BYOL) を利用して、ラベルのない骨格配列データから堅牢な表現を学習する。
参考スコア（独自算出の注目度）: 6.603505460200282
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: To extract robust and generalizable skeleton action recognition features, large amounts of well-curated data are typically required, which is a challenging task hindered by annotation and computation costs. Therefore, unsupervised representation learning is of prime importance to leverage unlabeled skeleton data. In this work, we investigate unsupervised representation learning for skeleton action recognition. For this purpose, we designed a lightweight convolutional transformer framework, named ReL-SAR, exploiting the complementarity of convolutional and attention layers for jointly modeling spatial and temporal cues in skeleton sequences. We also use a Selection-Permutation strategy for skeleton joints to ensure more informative descriptions from skeletal data. Finally, we capitalize on Bootstrap Your Own Latent (BYOL) to learn robust representations from unlabeled skeleton sequence data. We achieved very competitive results on limited-size datasets: MCAD, IXMAS, JHMDB, and NW-UCLA, showing the effectiveness of our proposed method against state-of-the-art methods in terms of both performance and computational efficiency. To ensure reproducibility and reusability, the source code including all implementation parameters is provided at: https://github.com/SafwenNaimi/Representation-Learning-for-Skeleton-Action-Recognition-with-Convolut ional-Transformers-and-BYOL
Abstract（参考訳）: 頑丈で一般化可能なスケルトン動作認識特徴を抽出するためには、よく計算された大量のデータが必要であるが、これはアノテーションや計算コストの妨げとなる課題である。したがって、教師なし表現学習は、ラベルのない骨格データを活用する上で最も重要なものである。本研究では,骨格行動認識のための教師なし表現学習について検討する。そこで我々はReL-SARという軽量な畳み込みトランスフォーマー・フレームワークを設計し,スケルトン配列の空間的および時間的手がかりを共同でモデル化するために,畳み込み層と注目層の相補性を利用した。また骨格関節の選択・置換戦略を用いて骨格データからより情報的な記述を確実にする。最後に,Bootstrap Your Own Latent (BYOL) を利用して,ラベルのない骨格配列データから堅牢な表現を学習する。我々は, MCAD, IXMAS, JHMDB, NW-UCLA という限られたサイズのデータセットに対して非常に競争力のある結果を得た。再現性と再利用性を確保するため、すべての実装パラメータを含むソースコードがhttps://github.com/SafwenNaimi/Representation-Learning-for-Skeleton-Action-Recognition-with-Convolut ional-Transformers-and-BYOLで提供されている。

関連論文リスト

MacDiff: Unified Skeleton Modeling with Masked Conditional Diffusion [14.907473847787541]
人間の骨格モデリングのための統合フレームワークとして,Masked Diffusion Conditional (MacDiff)を提案する。まず,拡散モデルを用いて効率的な骨格表現学習を行う。 MacDiffは、生成タスクの能力を維持しながら、表現学習ベンチマーク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） (2024-09-16T17:06:10Z)
Skeleton2vec: A Self-supervised Learning Framework with Contextualized Target Representations for Skeleton Sequence [56.092059713922744]
予測対象として高レベルな文脈化機能を使用することで,優れた性能が得られることを示す。具体的には、シンプルで効率的な3D行動表現学習フレームワークであるSkeleton2vecを提案する。提案するSkeleton2vecは,従来の手法より優れ,最先端の結果が得られる。
論文参考訳（メタデータ） (2024-01-01T12:08:35Z)
Balanced Representation Learning for Long-tailed Skeleton-based Action Recognition [33.212205680007756]
動作認識における長い尾の問題に対処する新しいバランス付き表現学習法を提案する。我々は、表現空間のバイアスを軽減するために、分離された行動認識学習スケジュールを設計する。提案手法は4つのスケルトンデータセットで検証される。
論文参考訳（メタデータ） (2023-08-27T07:25:51Z)
SkeletonMAE: Graph-based Masked Autoencoder for Skeleton Sequence Pre-training [110.55093254677638]
我々はSkeleton Sequence Learning(SSL)という,効率的なスケルトンシーケンス学習フレームワークを提案する。本論文では,SkeletonMAEという非対称なグラフベースのエンコーダデコーダ事前学習アーキテクチャを構築する。我々のSSLは、さまざまなデータセットにまたがってうまく一般化し、最先端の自己教師型スケルトンベースのアクション認識手法よりも優れています。
論文参考訳（メタデータ） (2023-07-17T13:33:11Z)
Adaptive Local-Component-aware Graph Convolutional Network for One-shot Skeleton-based Action Recognition [54.23513799338309]
骨格に基づく行動認識のための適応的局所成分認識グラフ畳み込みネットワークを提案する。我々の手法はグローバルな埋め込みよりも強力な表現を提供し、我々のモデルが最先端に到達するのに役立ちます。
論文参考訳（メタデータ） (2022-09-21T02:33:07Z)
SkeletonMAE: Spatial-Temporal Masked Autoencoders for Self-supervised Skeleton Action Recognition [13.283178393519234]
自己監督型骨格に基づく行動認識が注目されている。ラベルのないデータを利用することで、オーバーフィッティング問題を緩和するためにより一般化可能な特徴を学ぶことができる。自己教師型3次元骨格に基づく行動認識のための空間時間マスク付きオートエンコーダフレームワークを提案する。
論文参考訳（メタデータ） (2022-09-01T20:54:27Z)
Joint-bone Fusion Graph Convolutional Network for Semi-supervised Skeleton Action Recognition [65.78703941973183]
本稿では,CD-JBF-GCNをエンコーダとし,ポーズ予測ヘッドをデコーダとして使用する新しい相関駆動型ジョイントボーン・フュージョングラフ畳み込みネットワークを提案する。具体的には、CD-JBF-GCは、関節ストリームと骨ストリームの間の運動伝達を探索することができる。自己教師型トレーニング段階におけるポーズ予測に基づくオートエンコーダにより、未ラベルデータから動作表現を学習することができる。
論文参考訳（メタデータ） (2022-02-08T16:03:15Z)
Skeleton-Contrastive 3D Action Representation Learning [35.06361753065124]
本稿では,骨格に基づく行動認識に適した特徴空間の自己教師型学習を目指す。提案手法は,PKUデータセットとNTUデータセットのスケルトンデータからの自己教師付き学習における最先端性能を実現する。
論文参考訳（メタデータ） (2021-08-08T14:44:59Z)
A Self-Supervised Gait Encoding Approach with Locality-Awareness for 3D Skeleton Based Person Re-Identification [65.18004601366066]
3Dスケルトン配列内の歩行特徴による人物再識別(Re-ID)は、いくつかの利点を持つ新しい話題である。本稿では、ラベルのない骨格データを利用して人物の歩行表現を学習できる自己教師付き歩行符号化手法を提案する。
論文参考訳（メタデータ） (2020-09-05T16:06:04Z)
A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
論文参考訳（メタデータ） (2020-06-22T08:35:58Z)

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。