Жаңа Римандық желілер әрекетті тану және түйіндерді жіктеу бойынша дәстүрлі үлгілерден асып түседі бойынша@hyperbole
Жаңа Римандық желілер әрекетті тану және түйіндерді жіктеу бойынша дәстүрлі үлгілерден асып түседі
Тым ұзақ; Оқу
Тәжірибелер GyroSpd++ және Gr-GCN++ жүйелерін адам әрекетін тану және түйіндерді жіктеу тапсырмалары бойынша бағалайды, бұл желілер дәлдігі бойынша бар бастапқы көрсеткіштерден, әсіресе NTU60, FPHA және Pubm сияқты деректер жиынынан жоғары екенін көрсетеді.
Сілтемелер кестесі
B. Құрылымдық кеңістіктегі MLR
C. Гиперпландарға дейінгі қашықтықтардың перспективасынан MLR тұжырымы
E. Түйіндердің классификациясы
F. Біздің жұмысымыздың шектеулері
G. Кейбір байланысты анықтамалар
4 ЭКСПЕРИМЕНТ
4.1 АДАМ ӘРЕКЕТІН ТАНУ
Біз үш деректер жиынын қолданамыз, яғни, HDM05 (Muller және басқалар, 2007), FPHA (Garcia-Hernando және т.б., 2018) және ¨ NTU RBG+D 60 (NTU60) (Shahroudy және т.б., 2016). Біз желілерімізді келесі заманауи үлгілермен салыстырамыз: SPDNet (Huang & Gool, 2017)[1], SPDNetBN (Brooks және т.б., 2019)[2], SPSDAI (Nguyen, 2022a), GyroAI- HAUNet (Nguyen, 2022b) және MLR-AI (Nguyen & Yang, 2023).
4.1.1 АБЛАЦИЯЛЫҚ ЗЕРТТЕУ
SPD нейрондық желілеріндегі конволюционды қабаттар Біздің GyroSpd++ желісінде конволюциондық қабаттың үстіне жинақталған MLR қабаты бар (1-суретті қараңыз). Конволюционды қабатты қолдану мотивациясы
ол жергілікті мүмкіндіктерден ғаламдық мүмкіндіктерді шығара алады (әрекет тізбегінің ішкі тізбектеріндегі бірлескен координаталардан есептелген коварианттық матрицалар). Біз конволюциялық қабат үшін Аффин-Инварианттық көрсеткіштерді және MLR қабаты үшін Log-Евклидтік көрсеткіштерді қолданамыз. Қойындыдағы нәтижелер. 1 GyroSpd++ орташа дәлдік бойынша SPD негізгі көрсеткіштерінен тұрақты түрде асып түсетінін көрсетеді. Оның қабаттары үшін Риман метрикасының әртүрлі конструкциялары бар GyroSpd++ нәтижелері D.4.1 қосымшасында келтірілген.
Құрылымдық кеңістіктердегі MLR Біз GyroSpd++ MLR деңгейін GyroSpd++ 3.3 бөлімінде ұсынылған MLR қабатымен ауыстыру арқылы құрастырамыз. GyroSpsd++ нәтижелері қойындыда берілген. 1. SPSDAI-дан басқа, GyroSpsd++ орташа дәлдік бойынша HDM05 деректер жиынындағы басқа базалық көрсеткіштерден асып түседі. Сонымен қатар, GyroSpsd++ орташа дәлдік бойынша GyroSpd++ және FPHA және NTU60 деректер жиынындағы барлық базалық көрсеткіштерден асып түседі. Бұл нәтижелер MLR гировекторлық кеңістік тұрғысынан құрылымдық кеңістіктерде жобаланған кезде тиімді екенін көрсетеді.
4.2 ТҮЙІНДІҢ ЖІКТЕЛУІ
Біз үш деректер жиынын қолданамыз, яғни, Airport (Zhang & Chen, 2018), Pubmed (Namata et al., 2012a) және Cora (Sen et al., 2008), олардың әрқайсысында мыңдаған таңбаланған түйіндері бар бір график бар. Біз Gr-GCN++ желісін (1-суретті қараңыз) ONB перспективасы негізінде оның Gr-GCN-ONB нұсқасымен (Е.2.4 қосымшасын қараңыз) салыстырамыз. Нәтижелер қойындыда көрсетіледі. 2. Екі желі де n = 14 және p = 7 үшін ең жақсы өнімділікті береді. Gr-GCN++ барлық жағдайда Gr-GCN-ONB-дан асып түсетінін көруге болады. Pubmed және Cora деректер жиындарында өнімділік алшақтықтары маңызды.
Авторлары:
(1) Суан Сон Нгуен, ETIS, UMR 8051, CY Cergy Paris университеті, ENSEA, CNRS, Франция ([email protected]);
(2) Шуо Ян, ETIS, UMR 8051, CY Cergy Paris университеті, ENSEA, CNRS, Франция ([email protected]);
(3) Aymeric Histace, ETIS, UMR 8051, CY Cergy Paris University, ENSEA, CNRS, Франция ([email protected]).
Бұл қағаз
[1] https://github.com/zhiwu-huang/SPDNet.
[2] https://papers.nips.cc/paper/2019/hash/6e69ebbfad976d4637bb4b39de261bf7-Аннотация. html.
L O A D I N G
. . . comments & more!
. . . comments & more!
