Nove Riemannove mreže nadmašuju tradicionalne modele u prepoznavanju radnji i klasifikaciji čvorova po@hyperbole
Nove Riemannove mreže nadmašuju tradicionalne modele u prepoznavanju radnji i klasifikaciji čvorova
Predugo; Čitati
Eksperimenti procjenjuju GyroSpd++ i Gr-GCN++ na prepoznavanju ljudskih radnji i zadacima klasifikacije čvorova, pokazujući da te mreže nadmašuju postojeće osnovne vrijednosti u pogledu točnosti, posebno na skupovima podataka kao što su NTU60, FPHA i Pubm
Tablica veza
Predloženi pristup
3.2 Brojne mreže na SPD razdjelnicima
C. Formulacija MLR iz perspektive udaljenosti do hiperravnina
D. Prepoznavanje ljudskih radnji
H. Računanje kanonske reprezentacije
4 EKSPERIMENTA
4.1 PREPOZNAVANJE LJUDSKOG DJELA
Koristimo tri skupa podataka, tj. HDM05 (Muller i sur., 2007), FPHA (Garcia-Hernando i sur., 2018) i ¨ NTU RBG+D 60 (NTU60) (Shahroudy i sur., 2016). Uspoređujemo naše mreže sa sljedećim najsuvremenijim modelima: SPDNet (Huang & Gool, 2017)[1], SPDNetBN (Brooks et al., 2019)[2], SPSDAI (Nguyen, 2022a), GyroAI- HAUNet (Nguyen, 2022b) i MLR-AI (Nguyen & Yang, 2023).
4.1.1 STUDIJA ABLACIJE
Konvolucijski slojevi u SPD neuronskim mrežama Naša mreža GyroSpd++ ima MLR sloj naslagan na vrhu konvolucijskog sloja (vidi sliku 1). Motivacija za korištenje konvolucijskog sloja
je da može izdvojiti globalna obilježja iz lokalnih (matrice kovarijance izračunate iz zajedničkih koordinata unutar podsekvenci akcijskog niza). Koristimo afino-invarijantnu metriku za konvolucijski sloj i log-euklidsku metriku za MLR sloj. Rezultati u Tab. Slike 1 pokazuju da GyroSpd++ dosljedno nadmašuje SPD osnovne linije u smislu srednje točnosti. Rezultati GyroSpd++ s različitim dizajnom Riemannove metrike za njegove slojeve dani su u Dodatku D.4.1.
MLR u strukturnim prostorima Gradimo GyroSpsd++ zamjenom MLR sloja GyroSpd++ s MLR slojem predloženim u odjeljku 3.3. Rezultati GyroSpsd++ dati su u Tab. 1. Osim SPSDAI-a, GyroSpsd++ nadmašuje ostale osnovne vrijednosti na skupu podataka HDM05 u smislu srednje točnosti. Nadalje, GyroSpsd++ nadmašuje GyroSpd++ i sve osnovne vrijednosti na skupovima podataka FPHA i NTU60 u smislu srednje točnosti. Ovi rezultati pokazuju da je MLR učinkovit kada se projektira u strukturnim prostorima iz perspektive žirovektorskog prostora.
4.2 KLASIFIKACIJA ČVORA
Koristimo tri skupa podataka, tj. Airport (Zhang & Chen, 2018), Pubmed (Namata et al., 2012a) i Cora (Sen et al., 2008), svaki od njih sadrži jedan grafikon s tisućama označenih čvorova. Uspoređujemo našu mrežu Gr-GCN++ (vidi sliku 1) s njenom varijantom Gr-GCN-ONB (vidi Dodatak E.2.4) na temelju ONB perspektive. Rezultati su prikazani u Tab. 2. Obje mreže daju najbolje performanse za n = 14 i p = 7. Može se vidjeti da Gr-GCN++ nadmašuje Gr-GCN-ONB u svim slučajevima. Nedostaci u izvedbi značajni su za skupove podataka Pubmed i Cora.
Autori:
(1) Xuan Son Nguyen, ETIS, UMR 8051, Sveučilište CY Cergy Paris, ENSEA, CNRS, Francuska ([email protected]);
(2) Shuo Yang, ETIS, UMR 8051, Sveučilište CY Cergy Paris, ENSEA, CNRS, Francuska ([email protected]);
(3) Aymeric Histace, ETIS, UMR 8051, Sveučilište CY Cergy Paris, ENSEA, CNRS, Francuska ([email protected]).
Ovaj papir je
[1] https://github.com/zhiwu-huang/SPDNet.
[2] https://papers.nips.cc/paper/2019/hash/6e69ebbfad976d4637bb4b39de261bf7-Abstract. html.
L O A D I N G
. . . comments & more!
. . . comments & more!
