論文の概要: A Topology-Aware Graph Convolutional Network for Human Pose Similarity and Action Quality Assessment

• arxiv url: http://arxiv.org/abs/2511.01194v1
• Date: Mon, 03 Nov 2025 03:38:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.106143
• Title: A Topology-Aware Graph Convolutional Network for Human Pose Similarity and Action Quality Assessment
• Title（参考訳）: 人文類似性と行動品質評価のためのトポロジ対応グラフ畳み込みネットワーク
• Authors: Minmin Zeng,
• Abstract要約: 行動品質評価(AQA)は、人間の動作のきめ細かい理解とポーズ類似性の正確な評価を必要とする。 本稿では,人間の骨格をグラフとしてモデル化し,トポロジに敏感なポーズ埋め込みを学習するトポロジ対応グラフ畳み込みネットワーク(GCN)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Action Quality Assessment (AQA) requires fine-grained understanding of human motion and precise evaluation of pose similarity. This paper proposes a topology-aware Graph Convolutional Network (GCN) framework, termed GCN-PSN, which models the human skeleton as a graph to learn discriminative, topology-sensitive pose embeddings. Using a Siamese architecture trained with a contrastive regression objective, our method outperforms coordinate-based baselines and achieves competitive performance on AQA-7 and FineDiving benchmarks. Experimental results and ablation studies validate the effectiveness of leveraging skeletal topology for pose similarity and action quality assessment.
• Abstract（参考訳）: 行動品質評価(AQA)は、人間の動作のきめ細かい理解とポーズ類似性の正確な評価を必要とする。 本稿では,ヒト骨格をグラフとしてモデル化し,トポロジに敏感なポーズ埋め込みを学習するGCN-PSNというトポロジ対応グラフ畳み込みネットワーク(GCN)フレームワークを提案する。 コントラスト回帰目標を用いて学習したシームズアーキテクチャを用いて、座標ベースのベースラインより優れ、AQA-7およびFineDivingベンチマーク上での競合性能を実現する。 実験結果とアブレーション研究は、骨格トポロジーを類似性および行動品質評価に活用する方法の有効性を検証した。

関連論文リスト

• HFGCN:Hypergraph Fusion Graph Convolutional Networks for Skeleton-Based Action Recognition [24.492301843927972]
  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。
  論文  参考訳（メタデータ） (2025-01-19T10:47:49Z)
• You Only Train Once: A Unified Framework for Both Full-Reference and No-Reference Image Quality Assessment [45.62136459502005]
  本稿では,完全な参照 (FR) と非参照 (NR) IQA を行うネットワークを提案する。 まず、入力画像から多レベル特徴を抽出するためにエンコーダを用いる。 FRおよびNR入力のユニバーサルアダプタとして階層的注意(HA)モジュールを提案する。 エンコーダの浅い層と深い層との間の特徴相関を調べるために, セマンティック・ディストーション・アウェア (SDA) モジュールを提案する。
  論文  参考訳（メタデータ） (2023-10-14T11:03:04Z)
• Iterative Graph Filtering Network for 3D Human Pose Estimation [5.177947445379688]
  グラフ畳み込みネットワーク(GCN)は3次元人間のポーズ推定に有効な手法であることが証明されている。 本稿では,3次元ポーズ推定のための反復グラフフィルタリングフレームワークを提案する。 我々のアプローチは、ラプラシア正規化によるグラフフィルタリングを反復的に解くという考え方に基づいている。
  論文  参考訳（メタデータ） (2023-07-29T20:46:44Z)
• CONVIQT: Contrastive Video Quality Estimator [63.749184706461826]
  知覚ビデオ品質評価(VQA)は、多くのストリーミングおよびビデオ共有プラットフォームにおいて不可欠な要素である。 本稿では,視覚的に関連のある映像品質表現を自己指導的に学習する問題について考察する。 本研究は, 自己教師型学習を用いて, 知覚力による説得力のある表現が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-29T15:22:01Z)
• Learning Transformer Features for Image Quality Assessment [53.51379676690971]
  本稿では,CNNバックボーンとトランスフォーマーエンコーダを用いて特徴抽出を行うIQAフレームワークを提案する。 提案するフレームワークはFRモードとNRモードの両方と互換性があり、共同トレーニング方式が可能である。
  論文  参考訳（メタデータ） (2021-12-01T13:23:00Z)
• Image Quality Assessment using Contrastive Learning [50.265638572116984]
  我々は、補助的な問題を解決するために、対照的な対の目的を用いて深層畳み込みニューラルネットワーク(CNN)を訓練する。 本研究では,最新のNR画像品質モデルと比較して,ContriQUEが競争性能を向上することを示す。 以上の結果から,大きなラベル付き主観的画像品質データセットを必要とせずに,知覚的関連性を持つ強力な品質表現が得られることが示唆された。
  論文  参考訳（メタデータ） (2021-10-25T21:01:00Z)
• 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)
• High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification [84.43394420267794]
  本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。 我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-03-18T12:18:35Z)

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。