論文の概要: Label-Efficient Skeleton-based Recognition with Stable-Invertible Graph Convolutional Networks

• arxiv url: http://arxiv.org/abs/2511.17345v1
• Date: Fri, 21 Nov 2025 16:06:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-24 18:08:19.095781
• Title: Label-Efficient Skeleton-based Recognition with Stable-Invertible Graph Convolutional Networks
• Title（参考訳）: 安定可逆グラフ畳み込みネットワークを用いたラベル効率の良い骨格認識
• Authors: Hichem Sahbi,
• Abstract要約: 本稿では, グラフ畳み込みネットワーク(GCN)を用いた骨格に基づく行動認識のための, ラベル効率の高い新しい手法を提案する。 提案手法の貢献は,新たな獲得関数の学習に有効であり,ラベル付けにおいて最も有意義な部分集合を評価できる。 また、周辺空間から潜伏空間へのデータマッピングを可能にする可逆GCNを用いて、最も情報性の高い部分集合を学習することで、このアプローチを拡張した。
• 参考スコア（独自算出の注目度）: 14.061680807550722
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Skeleton-based action recognition is a hotspot in image processing. A key challenge of this task lies in its dependence on large, manually labeled datasets whose acquisition is costly and time-consuming. This paper devises a novel, label-efficient method for skeleton-based action recognition using graph convolutional networks (GCNs). The contribution of the proposed method resides in learning a novel acquisition function -- scoring the most informative subsets for labeling -- as the optimum of an objective function mixing data representativity, diversity and uncertainty. We also extend this approach by learning the most informative subsets using an invertible GCN which allows mapping data from ambient to latent spaces where the inherent distribution of the data is more easily captured. Extensive experiments, conducted on two challenging skeleton-based recognition datasets, show the effectiveness and the outperformance of our label-frugal GCNs against the related work.
• Abstract（参考訳）: 骨格に基づく行動認識は画像処理におけるホットスポットである。 このタスクの重要な課題は、大規模で手動でラベル付けされたデータセットに依存していることだ。 本稿では, グラフ畳み込みネットワーク(GCN)を用いた骨格に基づく行動認識のための, ラベル効率の高い新しい手法を提案する。 提案手法の寄与は, 表現率, 多様性, 不確実性を混合した目的関数の最適解として, ラベル付けにおいて最も有意義な部分集合を抽出する新規な獲得関数の学習に有効である。 また,データ固有の分布がより容易に取得可能な周辺空間から潜伏空間へのデータをマッピングできる可逆GCNを用いて,最も情報性の高い部分集合を学習することで,このアプローチを拡張した。 2つの難解な骨格に基づく認識データセットを用いて行った広範囲な実験は、我々のラベルフルーガーGCNの関連研究に対する効果と性能を示す。

関連論文リスト

• Auxiliary Tasks Enhanced Dual-affinity Learning for Weakly Supervised Semantic Segmentation [79.05949524349005]
  AuxSegNet+は、サリエンシマップから豊富な情報を探索する弱教師付き補助学習フレームワークである。 また,サリエンシとセグメンテーションの特徴マップから画素レベルの親和性を学習するためのクロスタスク親和性学習機構を提案する。
  論文  参考訳（メタデータ） (2024-03-02T10:03:21Z)
• A Self Supervised StyleGAN for Image Annotation and Classification with Extremely Limited Labels [35.43549147657739]
  画像アノテーションと分類のための自己教師型アプローチであるSS-StyleGANを提案する。 提案手法は,50と10の小さなラベル付きデータセットを用いて,強力な分類結果が得られることを示す。
  論文  参考訳（メタデータ） (2023-12-26T09:46:50Z)
• Pseudo Label-Guided Data Fusion and Output Consistency for Semi-Supervised Medical Image Segmentation [9.93871075239635]
  より少ないアノテーションで医用画像のセグメンテーションを行うための平均教師ネットワーク上に構築されたPLGDFフレームワークを提案する。 本稿では,ラベル付きデータとラベルなしデータを組み合わせてデータセットを効果的に拡張する,新しい擬似ラベル利用方式を提案する。 本フレームワークは,最先端の6つの半教師あり学習手法と比較して,優れた性能が得られる。
  論文  参考訳（メタデータ） (2023-11-17T06:36:43Z)
• CONVERT:Contrastive Graph Clustering with Reliable Augmentation [110.46658439733106]
  信頼性オーグメンテーション(CONVERT)を用いたContrastiVe Graph ClustEringネットワークを提案する。 本手法では,データ拡張を可逆的パーターブ・リカバリネットワークにより処理する。 セマンティクスの信頼性をさらに保証するために、ネットワークを制約する新たなセマンティクス損失が提示される。
  論文  参考訳（メタデータ） (2023-08-17T13:07:09Z)
• Learning ECG Signal Features Without Backpropagation Using Linear Laws [1.1399577852929503]
  本稿では,心電図(ECG)信号分類の新しい手法であるLLT-ECGを紹介する。 従来のディープラーニングアプローチとは異なり、LLT-ECGは前方で動作し、バックプロパゲーションの必要性を排除している。 実世界のECGデータセット上でのLLT-ECGの最先端性能をPhyloNetで実証する。
  論文  参考訳（メタデータ） (2023-07-04T21:35:49Z)
• SMARTQUERY: An Active Learning Framework for Graph Neural Networks through Hybrid Uncertainty Reduction [25.77052028238513]
  本稿では,ハイブリッド不確実性低減関数を用いて,ラベル付きノードの少ないグラフニューラルネットワークを学習するフレームワークを提案する。 ごく少数のラベル付きデータを用いた最先端技術に対する本手法の競合性能を実証する。
  論文  参考訳（メタデータ） (2022-12-02T20:49:38Z)
• Clustering augmented Self-Supervised Learning: Anapplication to Land Cover Mapping [10.720852987343896]
  本稿では,自己教師型学習のためのクラスタリングに基づくプレテキストタスクを用いて,土地被覆マッピングの新しい手法を提案する。 社会的に関係のある2つのアプリケーションに対して,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2021-08-16T19:35:43Z)
• Leveraging Auxiliary Tasks with Affinity Learning for Weakly Supervised Semantic Segmentation [88.49669148290306]
  そこで我々はAuxSegNetと呼ばれる弱教師付きマルチタスク・フレームワークを提案し,サリエンシ検出とマルチラベル画像分類を補助タスクとして活用する。 同様の構造的セマンティクスに着想を得て,サリエンシとセグメンテーションの表現から,クロスタスクなグローバル画素レベルの親和性マップを学習することを提案する。 学習されたクロスタスク親和性は、両方のタスクに対して改善された擬似ラベルを提供するために、唾液度予測を洗練し、CAMマップを伝播するために使用することができる。
  論文  参考訳（メタデータ） (2021-07-25T11:39:58Z)
• Mining Implicit Entity Preference from User-Item Interaction Data for Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
  本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。 我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。 利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-03-28T05:47:33Z)

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。