論文の概要: Signal-SGN++: Topology-Enhanced Time-Frequency Spiking Graph Network for Skeleton-Based Action Recognition

• arxiv url: http://arxiv.org/abs/2512.22214v1
• Date: Mon, 22 Dec 2025 09:16:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:29.896477
• Title: Signal-SGN++: Topology-Enhanced Time-Frequency Spiking Graph Network for Skeleton-Based Action Recognition
• Title（参考訳）: Signal-SGN++:スケルトンに基づく行動認識のためのトポロジ強化時間周波数スパイクグラフネットワーク
• Authors: Naichuan Zheng, Xiahai Lun, Weiyi Li, Yuchen Du,
• Abstract要約: スパイキングニューラルネットワーク(SNN)はエネルギー効率を提供するが、人間の動きの時間的・時間的・位相的依存関係を捉えるには限界がある。 本稿では、適応性と時間周波数スパイキングダイナミクスを統合するトポロジ対応スパイキンググラフフレームワークであるSignal-SGN++を提案する。
• 参考スコア（独自算出の注目度）: 0.23332469289621785
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Convolutional Networks (GCNs) demonstrate strong capability in modeling skeletal topology for action recognition, yet their dense floating-point computations incur high energy costs. Spiking Neural Networks (SNNs), characterized by event-driven and sparse activation, offer energy efficiency but remain limited in capturing coupled temporal-frequency and topological dependencies of human motion. To bridge this gap, this article proposes Signal-SGN++, a topology-aware spiking graph framework that integrates structural adaptivity with time-frequency spiking dynamics. The network employs a backbone composed of 1D Spiking Graph Convolution (1D-SGC) and Frequency Spiking Convolution (FSC) for joint spatiotemporal and spectral feature extraction. Within this backbone, a Topology-Shift Self-Attention (TSSA) mechanism is embedded to adaptively route attention across learned skeletal topologies, enhancing graph-level sensitivity without increasing computational complexity. Moreover, an auxiliary Multi-Scale Wavelet Transform Fusion (MWTF) branch decomposes spiking features into multi-resolution temporal-frequency representations, wherein a Topology-Aware Time-Frequency Fusion (TATF) unit incorporates structural priors to preserve topology-consistent spectral fusion. Comprehensive experiments on large-scale benchmarks validate that Signal-SGN++ achieves superior accuracy-efficiency trade-offs, outperforming existing SNN-based methods and achieving competitive results against state-of-the-art GCNs under substantially reduced energy consumption.
• Abstract（参考訳）: グラフ畳み込みネットワーク(GCN)は、動作認識のための骨格トポロジをモデル化する強力な能力を示すが、その密度の高い浮動小数点計算は高エネルギーコストを引き起こす。 事象駆動とスパース活性化を特徴とするスパイキングニューラルネットワーク(SNN)は、エネルギー効率を提供するが、人間の動きの時間周波数とトポロジ的依存関係の結合を捉えるには限界がある。 このギャップを埋めるために、本稿では、構造適応性と時間周波数スパイキングダイナミクスを統合するトポロジ対応スパイキンググラフフレームワークであるSignal-SGN++を提案する。 このネットワークは、1Dスパイキンググラフ畳み込み (1D-SGC) と周波数スパイキング畳み込み (FSC) からなるバックボーンを用いて、時空間とスペクトルの特徴抽出を行う。 このバックボーン内には、Topology-Shift Self-Attention (TSSA) 機構が組み込まれ、学習した骨格トポロジ間の注意を適応的にルーティングし、計算複雑性を増大させることなくグラフレベルの感度を高める。 さらに,Topology-Aware Time-Frequency Fusion (TATF)ユニットでは,Topology-Consistent Spectral fusionを保存するための構造的事前処理が組み込まれている。 大規模ベンチマークに関する総合的な実験により、Signal-SGN++はより優れた精度と効率のトレードオフを達成し、既存のSNNベースの手法を上回り、エネルギー消費を大幅に削減した最先端GCNに対する競争結果を達成することが検証された。

関連論文リスト

• PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement [63.007237197267834]
  既存のディープラーニング手法は、主に生理学的モニタリングであり、理論的な堅牢性を欠いている。 本研究では,Navier-Stokes方程式のヘモダイナミックスから導かれる物理インフォームド r パラダイムを提案し,パルス信号が2次系に従うことを示す。 これは、時間的円錐ネットワーク(TCN)を使用する理論的正当性を提供する。 Phase-Netは高い効率で最先端のパフォーマンスを実現し、理論上は基礎的でデプロイ可能な r ソリューションを提供する。
  論文  参考訳（メタデータ） (2025-09-29T14:36:45Z)
• Neuromorphic Wireless Split Computing with Resonate-and-Fire Neurons [69.73249913506042]
  本稿では、共振器(RF)ニューロンを用いて時間領域信号を直接処理する無線スプリットコンピューティングアーキテクチャについて検討する。 可変周波数で共鳴することにより、RFニューロンは低スパイク活性を維持しながら時間局在スペクトル特徴を抽出する。 実験の結果,提案したRF-SNNアーキテクチャは従来のLIF-SNNやANNと同等の精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2025-06-24T21:14:59Z)
• Signal-SGN: A Spiking Graph Convolutional Network for Skeletal Action Recognition via Learning Temporal-Frequency Dynamics [0.7326395356941241]
  スパイキングニューラルネットワーク(SNN)は、スケルトン力学のモデル化に苦慮し、最適以下のソリューションに繋がる。 本稿では,スケルトン配列の時間次元をスパイク時間ステップとして利用するSignal-SGN(Spiking Graph Convolutional Network)を提案する。 3つの大規模なデータセットを対象とした実験では、精度と計算効率において、最先端のSNNベースの手法を超えるSignal-SGNが明らかになった。
  論文  参考訳（メタデータ） (2024-08-03T07:47:16Z)
• SpatioTemporal Focus for Skeleton-based Action Recognition [66.8571926307011]
  グラフ畳み込みネットワーク(GCN)は骨格に基づく行動認識において広く採用されている。 近年提案されている骨格に基づく行動認識法の性能は以下の要因によって制限されていると論じる。 近年の注目機構に着想を得て,アクション関連関係情報を取得するためのマルチグラインド・コンテキスト集中モジュール MCF を提案する。
  論文  参考訳（メタデータ） (2022-03-31T02:45:24Z)
• Space-Time Graph Neural Networks [104.55175325870195]
  本研究では、時空間グラフニューラルネットワーク(ST-GNN)を導入し、時間変動ネットワークデータの時空間トポロジを共同処理する。 解析の結果,システムのネットワークトポロジと時間進化の変動はST-GNNの性能に大きく影響しないことがわかった。
  論文  参考訳（メタデータ） (2021-10-06T16:08:44Z)
• 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)

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。