論文の概要: Active Learning for GCN-based Action Recognition

• arxiv url: http://arxiv.org/abs/2511.21625v1
• Date: Wed, 26 Nov 2025 17:51:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-27 18:37:59.230033
• Title: Active Learning for GCN-based Action Recognition
• Title（参考訳）: GCNに基づく行動認識のためのアクティブラーニング
• Authors: Hichem Sahbi,
• Abstract要約: ラベル効率のよいグラフ畳み込みネットワーク(GCN)モデルを提案する。 我々は,ラベル付けのためのコンパクトな情報表現の集合を識別するために,敵戦略を用いた新たな獲得機能を開発する。 これらの強化されたネットワークは、周辺データ空間と潜伏データ空間の間のより効率的なマッピングを促進する。
• 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: Despite the notable success of graph convolutional networks (GCNs) in skeleton-based action recognition, their performance often depends on large volumes of labeled data, which are frequently scarce in practical settings. To address this limitation, we propose a novel label-efficient GCN model. Our work makes two primary contributions. First, we develop a novel acquisition function that employs an adversarial strategy to identify a compact set of informative exemplars for labeling. This selection process balances representativeness, diversity, and uncertainty. Second, we introduce bidirectional and stable GCN architectures. These enhanced networks facilitate a more effective mapping between the ambient and latent data spaces, enabling a better understanding of the learned exemplar distribution. Extensive evaluations on two challenging skeleton-based action recognition benchmarks reveal significant improvements achieved by our label-efficient GCNs compared to prior work.
• Abstract（参考訳）: 骨格に基づく行動認識におけるグラフ畳み込みネットワーク(GCN)の顕著な成功にもかかわらず、その性能は多くの場合、実用的な設定では不足する大量のラベル付きデータに依存する。 この制限に対処するために,新しいラベル効率GCNモデルを提案する。 私たちの仕事は2つの主要な貢献をする。 まず,ラベル付けのための情報表現のコンパクトな集合を識別するために,対角戦略を用いた新たな獲得関数を開発する。 この選択プロセスは代表性、多様性、不確実性のバランスをとる。 第2に、双方向かつ安定したGCNアーキテクチャを導入する。 これらの強化されたネットワークは、周辺データ空間と潜伏データ空間の間のより効率的なマッピングを促進し、学習された模範分布をよりよく理解することを可能にする。 骨骨格をベースとした2つの行動認識ベンチマークの広範囲な評価により, ラベル効率のよいGCNが従来よりも大幅に向上したことが明らかとなった。

関連論文リスト

• Label-Efficient Skeleton-based Recognition with Stable-Invertible Graph Convolutional Networks [14.061680807550722]
  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。
  論文  参考訳（メタデータ） (2025-11-21T16:06:53Z)
• Degree-Conscious Spiking Graph for Cross-Domain Adaptation [51.58506501415558]
  Spiking Graph Networks (SGNs) はグラフ分類において大きな可能性を証明している。 DeSGraDA(Degree-Consicious Spiking Graph for Cross-Domain Adaptation)という新しいフレームワークを紹介する。 DeSGraDAは3つのキーコンポーネントを持つドメイン間の一般化を強化する。
  論文  参考訳（メタデータ） (2024-10-09T13:45:54Z)
• Dual-stream contrastive predictive network with joint handcrafted feature view for SAR ship classification [9.251342335645765]
  本稿では,新しいデュアルストリームコントラスト予測ネットワーク(DCPNet)を提案する。 最初のタスクは正のサンプルペアを構築し、コアエンコーダにより一般的な表現を学習させることである。 第2の課題は, 深部特徴と手話特徴との対応を適応的に把握し, モデル内での知識伝達を実現し, 特徴融合による冗長性を効果的に改善することである。
  論文  参考訳（メタデータ） (2023-11-26T05:47:01Z)
• NICE: Improving Panoptic Narrative Detection and Segmentation with Cascading Collaborative Learning [77.95710025273218]
  我々は2つの単視的物語認識タスクを共同で学習できるNICEという統合フレームワークを提案する。 PNSとPNDを連接してセグメンテーションのバリ中心をアンカーとすることで、我々のアプローチは2つのタスクを自然に整列させる。 NICEは既存のすべての手法を大差で上回り、PNDは4.1%、PNSは2.9%となっている。
  論文  参考訳（メタデータ） (2023-10-17T03:42:12Z)
• 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)
• Meta Propagation Networks for Graph Few-shot Semi-supervised Learning [39.96930762034581]
  本稿では,この問題を解決するために,メタ学習アルゴリズムを用いた新しいネットワークアーキテクチャを提案する。 基本的に,我々のMeta-PNフレームワークは,メタ学習ラベルの伝搬戦略を用いて,未ラベルノード上の高品質な擬似ラベルを推論する。 我々のアプローチは、様々なベンチマークデータセットの既存の技術と比較して、容易で実質的なパフォーマンス向上を提供する。
  論文  参考訳（メタデータ） (2021-12-18T00:11:56Z)
• Curriculum Graph Co-Teaching for Multi-Target Domain Adaptation [78.28390172958643]
  マルチターゲットドメイン適応(MTDA)における複数のドメインシフトを軽減するのに役立つ2つの重要な側面を同定する。 本論文では,二重分類器ヘッドを用いたCGCT(Curriculum Graph Co-Teaching)を提案する。そのうちの1つがグラフ畳み込みネットワーク(GCN)である。 ドメインラベルが利用可能になると、まずより簡単なターゲットドメインに適応し、続いて難しいドメインに適応する逐次適応戦略であるDomain-Aware Curriculum Learning (DCL)を提案する。
  論文  参考訳（メタデータ） (2021-04-01T23:41:41Z)
• On the Equivalence of Decoupled Graph Convolution Network and Label Propagation [60.34028546202372]
  いくつかの研究は、カップリングがデカップリングよりも劣っていることを示している。 有効性にもかかわらず、疎結合GCNの作用機構はよく理解されていない。 本稿では,分離GCNの欠陥を克服する適応的学習法(PTA)を提案する。
  論文  参考訳（メタデータ） (2020-10-23T13:57:39Z)
• Knowledge-Guided Multi-Label Few-Shot Learning for General Image Recognition [75.44233392355711]
  KGGRフレームワークは、ディープニューラルネットワークと統計ラベル相関の事前知識を利用する。 まず、統計ラベルの共起に基づいて異なるラベルを相関させる構造化知識グラフを構築する。 次に、ラベルセマンティクスを導入し、学習セマンティクス固有の特徴をガイドする。 グラフノードの相互作用を探索するためにグラフ伝搬ネットワークを利用する。
  論文  参考訳（メタデータ） (2020-09-20T15:05:29Z)

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。