論文の概要: Geometry-Constrained Dynamic Hypergraph Convolutional Network with Contrastive Score Refinement for Skeleton-Based Action Recognition

• arxiv url: http://arxiv.org/abs/2611.02685v1
• Date: Mon, 02 Nov 2026 07:37:31 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:40:34.096181
• Title: Geometry-Constrained Dynamic Hypergraph Convolutional Network with Contrastive Score Refinement for Skeleton-Based Action Recognition
• Title（参考訳）: スケルトンに基づく行動認識のためのコントラストスコア再構成を用いた幾何制約付き動的ハイパーグラフ畳み込みネットワーク
• Abstract要約: DyGCNは骨格に基づく行動認識のための動的ハイパーグラフ畳み込みネットワークである。 NTU RGB+D, NTU RGB+D 120, Northwestern-UCLAの実験は、DyGCNの有効性を検証する。
• 参考スコア（独自算出の注目度）: 1.0832844764942349
• License:
• Abstract: Skeleton-based action recognition is a pivotal task in computer vision; however, conventional Graph Convolutional Networks (GCNs) are often constrained by pairwise joint modeling, which fails to capture the intricate high-order interactions inherent in human movement. While recent hypergraph-based methods attempt to address this limitation, they typically rely on static structures derived from anatomical priors, lacking the flexibility to capture dynamic, action-specific joint correlations. To this end, we propose DyGCN, a Geometry-Constrained Dynamic Hypergraph Convolutional Network for skeleton-based action recognition. At the core of DyGCN is the Dynamic Hypergraph Construction Network with Contrastive Score Refinement (DyGCT) block, which comprises two novel components: the Geometry-Constrained Dynamic Hypergraph Construction (GeoHC) module and the Contrastive Score Refinement (CSR) module. Specifically, GeoHC dynamically constructs action-specific hyperedges by leveraging geometry-constrained second-order compatibility, transcending the limitations of static hyperedge structures. Furthermore, CSR explicitly refines the pairwise compatibility scores during hypergraph construction through prototype-based contrastive learning, fostering more discriminative action-specific hyperedges, with zero inference-time overhead as CSR operates only during training. Extensive experiments on NTU RGB+D, NTU RGB+D 120, and Northwestern-UCLA validate the effectiveness of DyGCN, achieving state-of-the-art performance on widely used benchmarks. The source code is available at https://github.com/marvineta0405/DyGCN.
• Abstract（参考訳）: 骨格に基づく行動認識はコンピュータビジョンにおいて重要な課題であるが、従来のグラフ畳み込みネットワーク(GCN)は、しばしばペアの結合モデリングによって制約される。 最近のハイパーグラフベースの手法は、この制限に対処しようとするが、通常は解剖学的先行から派生した静的構造に依存し、動的で行動特異的な関節相関を捉える柔軟性に欠ける。 そこで本研究では,骨格に基づく行動認識のための動的ハイパーグラフ畳み込みネットワークDyGCNを提案する。 DyGCNのコアとなるのは、GeoHC(Geometry-Constrained Dynamic Hypergraph Construction)モジュールとCSR(Contrastive Score Refinement)モジュールの2つの新しいコンポーネントからなる、DyGCT(Dynamic Hypergraph Construction Network)ブロックである。 具体的には、GeoHCは、静的なハイパーエッジ構造の制限を超越して、幾何学的に制約された2階互換性を活用することで、アクション固有のハイパーエッジを動的に構築する。 さらに、CSRは、プロトタイプベースのコントラスト学習を通じてハイパーグラフ構築中のペア互換性スコアを明示的に改善し、CSRがトレーニング中にのみ動作するため、推論時のオーバーヘッドをゼロにすることで、より差別的なアクション固有のハイパーエッジを促進する。 NTU RGB+D, NTU RGB+D 120, Northwestern-UCLAの広範囲な実験により、DyGCNの有効性が検証され、広く使用されているベンチマークで最先端のパフォーマンスが達成された。 ソースコードはhttps://github.com/marvineta0405/DyGCNで入手できる。

関連論文リスト

• When GNNs Fail: Quantifying and Overcoming Temporal Correlation Volatility in Time Series [14.456983509027195]
  本稿では、2つの理論的基盤設計機構によって強化された新しいGNN層であるGLIDE(Graph Layer for Inference in Dynamic En-Vironments)を提案する。 合成および実世界のベンチマークの実験では、GLIDEは静的および動的設定で平均性能を最大45.6%改善している。
  論文  参考訳（メタデータ） (2026-08-07T15:28:45Z)
• Implicit Hypergraph Neural Networks: A Stable Framework for Higher-Order Relational Learning with Provable Guarantees [8.5183483099116]
  Indicit Hypergraph Neural Networks (IHGNN)を導入し、非線形不動点方程式の解として表現を計算する。 IHGNNは、正確性と堅牢性の両方において、強力な従来のグラフ/ハイパーグラフニューラルネットワークベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2025-08-13T02:06:29Z)
• HyperGCT: A Dynamic Hyper-GNN-Learned Geometric Constraint for 3D Registration [60.01977041900338]
  HyperGCTは、柔軟でダイナミックなHyper-GNNによる幾何学的制約である。 動的ハイパーグラフから3次元登録のための堅牢な幾何学的制約を抽出する。 3DMatch, 3DLoMatch, KITTI-LC, ETH の実験により, HyperGCT が最先端の性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-03-04T02:05:43Z)
• Adaptive Hyper-Graph Convolution Network for Skeleton-based Human Action Recognition with Virtual Connections [32.87473930173842]
  動作認識のための適応型ハイパーグラフ畳み込みネットワーク(Hyper-GCN)を提案する。 特に、Hyper-GCNはトレーニング中にハイパーグラフを適応的に最適化し、アクション駆動型マルチ頂点関係を明らかにする。 仮想接続をハイパーグラフに注入することで、多様なアクションカテゴリの意味的なヒントが強調される。
  論文  参考訳（メタデータ） (2024-11-22T08:41:33Z)
• Hypergraph Transformer for Semi-Supervised Classification [50.92027313775934]
  我々は新しいハイパーグラフ学習フレームワークHyperGraph Transformer(HyperGT)を提案する。 HyperGTはTransformerベースのニューラルネットワークアーキテクチャを使用して、すべてのノードとハイパーエッジのグローバル相関を効果的に検討する。 局所接続パターンを保ちながら、グローバルな相互作用を効果的に組み込むことで、包括的なハイパーグラフ表現学習を実現する。
  論文  参考訳（メタデータ） (2023-12-18T17:50:52Z)
• From Hypergraph Energy Functions to Hypergraph Neural Networks [94.88564151540459]
  パラメータ化されたハイパーグラフ正規化エネルギー関数の表現型族を示す。 次に、これらのエネルギーの最小化がノード埋め込みとして効果的に機能することを実証する。 提案した双レベルハイパーグラフ最適化と既存のGNNアーキテクチャを共通的に用いている。
  論文  参考訳（メタデータ） (2023-06-16T04:40:59Z)
• DG-STGCN: Dynamic Spatial-Temporal Modeling for Skeleton-based Action Recognition [77.87404524458809]
  骨格に基づく行動認識のための新しいフレームワーク,すなわち動的グループ時空間GCN(DG-STGCN)を提案する。 DG-GCNとDG-TCNの2つのモジュールで構成される。 DG-STGCNは最先端の手法よりも一貫して優れており、しばしば顕著な差がある。
  論文  参考訳（メタデータ） (2022-10-12T03:17:37Z)

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。