論文の概要: KGS-GCN: Enhancing Sparse Skeleton Sensing via Kinematics-Driven Gaussian Splatting and Probabilistic Topology for Action Recognition

• arxiv url: http://arxiv.org/abs/2603.16943v1
• Date: Mon, 16 Mar 2026 07:47:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-19 18:32:57.282746
• Title: KGS-GCN: Enhancing Sparse Skeleton Sensing via Kinematics-Driven Gaussian Splatting and Probabilistic Topology for Action Recognition
• Title（参考訳）: KGS-GCN:Kinematics-Driven Gaussian Splattingによるスパース骨格センシングの強化と行動認識のための確率論的トポロジー
• Authors: Yuhan Chen, Yicui Shi, Guofa Li, Liping Zhang, Jie Li, Jiaxin Gao, Wenbo Chu,
• Abstract要約: KGS-GCNは、キネマティクス駆動のガウススプラッティングと確率的トポロジーを統合するグラフ畳み込みネットワークである。 我々のフレームワークは、低忠実度センサデータを処理するための堅牢なソリューションを提供する。
• 参考スコア（独自算出の注目度）: 20.09080176203823
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Skeleton-based action recognition is widely utilized in sensor systems including human-computer interaction and intelligent surveillance. Nevertheless, current sensor devices typically generate sparse skeleton data as discrete coordinates, which inevitably discards fine-grained spatiotemporal details during highly dynamic movements. Moreover, the rigid constraints of predefined physical sensor topologies hinder the modeling of latent long-range dependencies. To overcome these limitations, we propose KGS-GCN, a graph convolutional network that integrates kinematics-driven Gaussian splatting with probabilistic topology. Our framework explicitly addresses the challenges of sensor data sparsity and topological rigidity by transforming discrete joints into continuous generative representations. Firstly, a kinematics-driven Gaussian splatting module is designed to dynamically construct anisotropic covariance matrices using instantaneous joint velocity vectors. This module enhances visual representation by rendering sparse skeleton sequences into multi-view continuous heatmaps rich in spatiotemporal semantics. Secondly, to transcend the limitations of fixed physical connections, a probabilistic topology construction method is proposed. This approach generates an adaptive prior adjacency matrix by quantifying statistical correlations via the Bhattacharyya distance between joint Gaussian distributions. Ultimately, the GCN backbone is adaptively modulated by the rendered visual features via a visual context gating mechanism. Empirical results demonstrate that KGS-GCN significantly enhances the modeling of complex spatiotemporal dynamics. By addressing the inherent limitations of sparse inputs, our framework offers a robust solution for processing low-fidelity sensor data. This approach establishes a practical pathway for improving perceptual reliability in real-world sensing applications.
• Abstract（参考訳）: 骨格に基づく行動認識は、人間とコンピュータの相互作用やインテリジェントな監視を含むセンサーシステムで広く利用されている。 しかしながら、現在のセンサー装置は、通常、離散的な座標としてスパース骨格データを生成するため、非常にダイナミックな動きの間、微粒な時空間の詳細を必然的に捨てる。 さらに、事前定義された物理的センサトポロジーの厳密な制約は、潜伏した長距離依存のモデリングを妨げる。 これらの制限を克服するために,キネマティックス駆動ガウススプラッティングと確率的トポロジーを統合したグラフ畳み込みネットワークKGS-GCNを提案する。 本フレームワークは, 離散関節を連続的な生成表現に変換することにより, センサデータの分散性やトポロジカル剛性といった課題に対処する。 第一に、キネマティクス駆動ガウススメッティングモジュールは、瞬時関節速度ベクトルを用いて異方性共分散行列を動的に構築するように設計されている。 このモジュールはスパーススケルトン配列を時空間意味論に富んだ多視点連続熱マップにレンダリングすることで視覚表現を強化する。 次に,固定物理接続の限界を超越するために,確率論的トポロジ構築法を提案する。 このアプローチは、合同ガウス分布間のバタチャリア距離を介して統計的相関を定量化することにより、適応的な事前隣接行列を生成する。 最終的に、GCNバックボーンは、視覚コンテキストゲーティング機構を介してレンダリングされた視覚的特徴によって適応的に変調される。 実験の結果、KGS-GCNは複雑な時空間力学のモデリングを著しく促進することが示された。 スパース入力の固有の制限に対処することにより、我々のフレームワークは低忠実度センサデータを処理するための堅牢なソリューションを提供する。 このアプローチは、現実世界のセンシングアプリケーションにおいて、知覚的信頼性を改善するための実践的な経路を確立する。

関連論文リスト

• Latent Dynamics Graph Convolutional Networks for model order reduction of parameterized time-dependent PDEs [0.0]
  本稿では,データ駆動型エンコーダフリーアーキテクチャであるLatent Dynamics Graph Conal Network (LD-GCN)を紹介する。 LD-GCNは外部入力とパラメータで条件付けられた動的システムのグローバルで低次元の表現を学習する。 本フレームワークは,削減されたダイナミクスの解析を可能にし,ゼロショット予測をサポートすることにより,解釈可能性を向上させる。
  論文  参考訳（メタデータ） (2026-01-16T13:10:00Z)
• SIGMA: Scalable Spectral Insights for LLM Collapse [51.863164847253366]
  SIGMA(Spectral Inequalities for Gram Matrix Analysis)は,モデル崩壊のための統一的なフレームワークである。 行列のスペクトル上の決定論的境界を導出するベンチマークを利用することで、SIGMAは表現空間の収縮を追跡するために数学的に基底化された計量を提供する。 我々は、SIGMAが状態への遷移を効果的に捉え、崩壊のメカニズムに関する理論的知見の両方を提供することを示した。
  論文  参考訳（メタデータ） (2026-01-06T19:47:11Z)
• Towards Arbitrary Motion Completing via Hierarchical Continuous Representation [64.6525112550758]
  Inlicit Representations(INR)に基づくNAMEと呼ばれる新しいパラメトリックアクティベーションによる階層的暗黙表現フレームワークを提案する。 本手法では,複数の時間スケールで動作列から特徴を抽出し,複雑な時間パターンを効果的に捕捉する階層的時間符号化機構を提案する。
  論文  参考訳（メタデータ） (2025-12-24T14:07:04Z)
• The power of dynamic causality in observer-based design for soft sensor applications [0.7965327033045845]
  本稿では,動的因果解析により観測者に基づくソフトセンサを最適化するための新しい枠組みを提案する。 センサ選択への伝統的なアプローチは、複雑なシステムの時間的進化を捉えるのに失敗する線形化された可観測性指数や統計的相関に依存することが多い。
  論文  参考訳（メタデータ） (2025-09-14T16:27:58Z)
• High-Fidelity Scientific Simulation Surrogates via Adaptive Implicit Neural Representations [51.90920900332569]
  入射神経表現(INR)は空間的に構造化されたデータをモデリングするためのコンパクトで連続的なフレームワークを提供する。 近年のアプローチでは、剛性幾何学的構造に沿った付加的な特徴を導入することでこの問題に対処している。 機能適応型INR(FA-INR)を提案する。
  論文  参考訳（メタデータ） (2025-06-07T16:45:17Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• Communities in the Kuramoto Model: Dynamics and Detection via Path Signatures [1.024113475677323]
  本研究では,連続経路の幾何学的および時間的特性を符号化する数学的枠組みである経路シグネチャの利用を提案する。 本研究では,観測時系列から構造的コミュニティを正確に復元する,署名に基づく新しいコミュニティ検出アルゴリズムを提案する。 その結果,パスシグネチャは複雑なニューラルネットワークや他の高次元システムの解析において,新たな視点を提供することが示された。
  論文  参考訳（メタデータ） (2025-03-21T21:41:48Z)
• DynSTG-Mamba: Dynamic Spatio-Temporal Graph Mamba with Cross-Graph Knowledge Distillation for Gait Disorders Recognition [0.3517488417793045]
  DynTG-Mambaは、DF-STGNNとSTG-Mambaを組み合わせてモーションモデリングを強化する新しいフレームワークである。 DF-STGNNは、骨格関節と時間的相互作用を適応的に調整する動的空間フィルタを組み込んでいる。 マンバの拡張であるSTG-Mambaは、計算コストを削減しつつ、状態の継続的な伝播を保証する。
  論文  参考訳（メタデータ） (2025-03-17T13:26:47Z)
• Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
  ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。 本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
  論文  参考訳（メタデータ） (2024-11-21T14:19:32Z)
• Equivariant Graph Mechanics Networks with Constraints [83.38709956935095]
  本稿では,グラフ力学ネットワーク(GMN)を提案する。 GMNは、一般化された座標により、構造体の前方運動学情報(位置と速度)を表す。 大規模な実験は、予測精度、制約満足度、データ効率の観点から、最先端のGNNと比較してGMNの利点を支持する。
  論文  参考訳（メタデータ） (2022-03-12T14:22:14Z)

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。