Nauji Riemanno tinklai pranoksta tradicinius modelius veiksmų atpažinimo ir mazgų klasifikavimo srityje pateikė@hyperbole
Nauji Riemanno tinklai pranoksta tradicinius modelius veiksmų atpažinimo ir mazgų klasifikavimo srityje
Per ilgai; Skaityti
Eksperimentuose įvertinamos GyroSpd++ ir Gr-GCN++ žmogaus veiksmų atpažinimo ir mazgų klasifikavimo užduotyse, parodydamos, kad šie tinklai savo tikslumu lenkia esamas bazines linijas, ypač duomenų rinkiniuose, tokiuose kaip NTU60, FPHA ir Pubm.
Nuorodų lentelė
Siūlomas požiūris
C. MLR formulavimas atstumų iki hiperplokštumų požiūriu
D. Žmogaus veiksmų atpažinimas
G. Kai kurie susiję apibrėžimai
H. Kanoninio vaizdavimo skaičiavimas
4 EKSPERIMENTAI
4.1 ŽMOGAUS VEIKSMŲ PRIPAŽINIMAS
Mes naudojame tris duomenų rinkinius, ty HDM05 (Muller ir kt., 2007), FPHA (Garcia-Hernando ir kt., 2018) ir ¨ NTU RBG+D 60 (NTU60) (Shahroudy ir kt., 2016). Mes lyginame savo tinklus su šiais moderniausiais modeliais: SPDNet (Huang & Gool, 2017)[1], SPDNetBN (Brooks ir kt., 2019)[2], SPSDAI (Nguyen, 2022a), GyroAI- HAUNet (Nguyen, 2022b) ir MLR-AI (Nguyen & Yang, 2023).
4.1.1 ABLIACIJOS TYRIMAS
Konvoliuciniai sluoksniai SPD neuroniniuose tinkluose Mūsų tinkle GyroSpd++ yra MLR sluoksnis, sukrautas ant konvoliucinio sluoksnio (žr. 1 pav.). Konvoliucinio sluoksnio naudojimo motyvacija
yra tai, kad jis gali išskirti globalius bruožus iš vietinių (kovariacijos matricos, apskaičiuotos iš jungtinių koordinačių veiksmų sekos subsekose). Konvoliuciniam sluoksniui naudojame afininio invarianto metriką, o MLR sluoksniui – log-euklido metriką. Rezultatai skirtuke. 1 parodyta, kad GyroSpd++ nuosekliai lenkia SPD bazines linijas pagal vidutinį tikslumą. GyroSpd++ su skirtingais sluoksnių Riemanno metrikos modeliais rezultatai pateikti D.4.1 priede.
MLR struktūrinėse erdvėse Kuriame GyroSpsd++, pakeitę GyroSpd++ MLR sluoksnį MLR sluoksniu, siūlomu 3.3 skyriuje. GyroSpsd++ rezultatai pateikti tab. 1. Išskyrus SPSDAI, GyroSpsd++ vidutiniu tikslumu lenkia kitas bazines HDM05 duomenų rinkinio linijas. Be to, „GyroSpsd++“ pralenkia „GyroSpd++“ ir visas FPHA ir NTU60 duomenų rinkinių bazines linijas pagal vidutinį tikslumą. Šie rezultatai rodo, kad MLR yra efektyvus, kai projektuojamas struktūrinėse erdvėse iš girovektoriaus erdvės perspektyvos.
4.2 MAZGŲ KLASIFIKACIJA
Mes naudojame tris duomenų rinkinius, ty Airport (Zhang & Chen, 2018), Pubmed (Namata ir kt., 2012a) ir Cora (Sen ir kt., 2008), kiekviename iš jų yra vienas grafikas su tūkstančiais pažymėtų mazgų. Remdamiesi ONB perspektyva, palyginame savo tinklą Gr-GCN++ (žr. 1 pav.) su jo variantu Gr-GCN-ONB (žr. E.2.4 priedą). Rezultatai rodomi tab. 2. Abu tinklai geriausiai veikia esant n = 14 ir p = 7. Galima pastebėti, kad Gr-GCN++ visais atvejais lenkia Gr-GCN-ONB. Pubmed ir Cora duomenų rinkinių našumo spragos yra reikšmingos.
Autoriai:
(1) Xuan Son Nguyen, ETIS, UMR 8051, CY Cergy Paris universitetas, ENSEA, CNRS, Prancūzija ([email protected]);
(2) Shuo Yang, ETIS, UMR 8051, CY Cergy Paris universitetas, ENSEA, CNRS, Prancūzija ([email protected]);
(3) Aymeric Histace, ETIS, UMR 8051, CY Cergy Paris universitetas, ENSEA, CNRS, Prancūzija ([email protected]).
Šis popierius yra
[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!
