論文の概要: HFGCN:Hypergraph Fusion Graph Convolutional Networks for Skeleton-Based Action Recognition

• arxiv url: http://arxiv.org/abs/2501.11007v2
• Date: Thu, 23 Jan 2025 13:48:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-24 12:37:19.914180
• Title: HFGCN:Hypergraph Fusion Graph Convolutional Networks for Skeleton-Based Action Recognition
• Title（参考訳）: HFGCN:Hypergraph Fusion Graph Convolutional Networks for Skeleton-Based Action Recognition
• Authors: Pengcheng Dong, Wenbo Wan, Huaxiang Zhang, Jiande Sun,
• Abstract要約: そこで本研究では,身体の部位と体核からの距離に基づくトポロジカルな関係分類を提案する。 特に,提案モデルでは,ヒトの骨格点と異なる身体部位に同時に焦点を合わせることができる。 ハイパーグラフを用いてこれらのスケルトン点の分類的関係を表現し、ハイパーグラフをグラフ畳み込みネットワークに組み込む。
• 参考スコア（独自算出の注目度）: 16.414815211125234
• License:
• Abstract: In recent years, action recognition has received much attention and wide application due to its important role in video understanding. Most of the researches on action recognition methods focused on improving the performance via various deep learning methods rather than the classification of skeleton points. The topological modeling between skeleton points and body parts was seldom considered. Although some studies have used a data-driven approach to classify the topology of the skeleton point, the nature of the skeleton point in terms of kinematics has not been taken into consideration. Therefore, in this paper, we draw on the theory of kinematics to adapt the topological relations of the skeleton point and propose a topological relation classification based on body parts and distance from core of body. To synthesize these topological relations for action recognition, we propose a novel Hypergraph Fusion Graph Convolutional Network (HFGCN). In particular, the proposed model is able to focus on the human skeleton points and the different body parts simultaneously, and thus construct the topology, which improves the recognition accuracy obviously. We use a hypergraph to represent the categorical relationships of these skeleton points and incorporate the hypergraph into a graph convolution network to model the higher-order relationships among the skeleton points and enhance the feature representation of the network. In addition, our proposed hypergraph attention module and hypergraph graph convolution module optimize topology modeling in temporal and channel dimensions, respectively, to further enhance the feature representation of the network. We conducted extensive experiments on three widely used datasets.The results validate that our proposed method can achieve the best performance when compared with the state-of-the-art skeleton-based methods.
• Abstract（参考訳）: 近年,映像理解において重要な役割を担っているため,アクション認識が注目され,広く応用されている。 動作認識法に関する研究の多くは、骨格点の分類よりも、様々な深層学習法による性能向上に重点を置いている。 骨格点と体部の間のトポロジカルなモデリングはほとんど考えられなかった。 骨格点のトポロジーを分類するためにデータ駆動のアプローチを用いた研究もあるが、キネマティックスの観点からは骨格点の性質は考慮されていない。 そこで本論文では,骨格点のトポロジカルな関係を適応させるためにキネマティクスの理論を考察し,身体部分と体核からの距離に基づくトポロジカルな関係の分類を提案する。 行動認識のためのトポロジ的関係を合成するために,HFGCN(Hypergraph Fusion Graph Convolutional Network)を提案する。 特に,提案モデルでは,ヒトの骨格点と異なる身体部位に同時に焦点を合わせ,トポロジーの構築が可能であり,認識精度が向上する。 我々は,これらのスケルトン点の分類的関係を表すためにハイパーグラフを使用し,そのハイパーグラフをグラフ畳み込みネットワークに組み込んで,スケルトン点間の高次関係をモデル化し,ネットワークの特徴表現を強化する。 さらに,提案するハイパーグラフ・アテンション・モジュールとハイパーグラフ・コンボリューション・モジュールは,時間次元とチャネル次元のトポロジ・モデリングを最適化し,ネットワークの特徴表現をさらに強化する。 提案手法は, 最先端スケルトン法と比較して, 優れた性能が得られることを示す。

関連論文リスト

• Overcoming Topology Agnosticism: Enhancing Skeleton-Based Action Recognition through Redefined Skeletal Topology Awareness [24.83836008577395]
  グラフ畳み込みネットワーク(GCN)は長い間、骨格に基づく行動認識の最先端を定義してきた。 彼らはモデルの重みとともに隣接行列を最適化する傾向がある。 このプロセスは、骨接続データの段階的な崩壊を引き起こし、マッピングしようとしたトポロジとは無関係なモデルで終わる。 本稿では,骨の接続性をグラフ距離のパワーを利用して符号化する革新的な経路を提案する。
  論文  参考訳（メタデータ） (2023-05-19T06:40:12Z)
• Skeletal Human Action Recognition using Hybrid Attention based Graph Convolutional Network [3.261599248682793]
  相対的距離と相対的角度情報に基づいて局所的注意マップをグローバルに拡張する適応型空間的注意層を提案する。 我々は,頭部,手,足を結ぶ新しい初期グラフ隣接行列を設計し,行動認識精度の点で目に見える改善点を示す。 提案モデルは,日常生活における人間活動の分野における大規模かつ挑戦的な2つのデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2022-07-12T12:22:21Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• Multi Scale Temporal Graph Networks For Skeleton-based Action Recognition [5.970574258839858]
  グラフ畳み込みネットワーク(GCN)は、関連するノードの特徴を効果的に捉え、モデルの性能を向上させる。 まず、時間的特徴と空間的特徴の整合性を無視し、特徴をノード単位とフレーム単位で抽出する。 本稿では,行動認識のための時間グラフネットワーク(TGN)と呼ばれる新しいモデルを提案する。
  論文  参考訳（メタデータ） (2020-12-05T08:08:25Z)
• Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
  我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。 ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
  論文  参考訳（メタデータ） (2020-11-26T14:43:04Z)
• Progressive Spatio-Temporal Graph Convolutional Network for Skeleton-Based Human Action Recognition [97.14064057840089]
  本稿では,グラフ畳み込みネットワークのためのコンパクトで問題固有のネットワークを,段階的に自動的に見つける手法を提案する。 骨格に基づく人体行動認識のための2つのデータセットの実験結果から,提案手法は競争力あるいはより優れた分類性能を有することが示された。
  論文  参考訳（メタデータ） (2020-11-11T09:57:49Z)
• Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action Recognition [57.98278794950759]
  グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。 本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。 提案手法を,現在最大規模の2つの3次元データセット上で評価する。
  論文  参考訳（メタデータ） (2020-07-30T18:23:18Z)
• Towards Deeper Graph Neural Networks [63.46470695525957]
  グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。 いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。 本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
  論文  参考訳（メタデータ） (2020-07-18T01:11:14Z)
• Structured Landmark Detection via Topology-Adapting Deep Graph Learning [75.20602712947016]
  解剖学的顔と医学的ランドマーク検出のための新しいトポロジ適応深層グラフ学習手法を提案する。 提案手法は局所像特徴と大域形状特徴の両方を利用するグラフ信号を構成する。 3つの公開顔画像データセット(WFLW、300W、COFW-68)と3つの現実世界のX線医学データセット(ケパロメトリ、ハンド、ペルビス)で実験を行った。
  論文  参考訳（メタデータ） (2020-04-17T11:55:03Z)
• Unifying Graph Embedding Features with Graph Convolutional Networks for Skeleton-based Action Recognition [18.001693718043292]
  本稿では,人行動認識のためのグラフ畳み込みネットワークに15のグラフ埋め込み機能を組み込んだ新しいフレームワークを提案する。 我々のモデルは,NTU-RGB+D,Kineetics,SYSU-3Dという3つの大規模データセットで検証されている。
  論文  参考訳（メタデータ） (2020-03-06T02:31:26Z)

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。