Таблица с връзки   Резюме и 1. Въведение   Предварителни  Предложен подход   3.1 Нотация   3.2 Цифрови мрежи на SPD колектори   3.3 MLR в структурните пространства   3.4 Невронни мрежи върху многообразия на Грасман   Експерименти   Заключение и литература   А. Нотации   B. MLR в структурните пространства   C. Формулиране на MLR от гледна точка на разстоянията до хиперравнините   Г. Разпознаване на човешки действия   E. Класификация на възлите   F. Ограничения на нашата работа   G. Някои свързани дефиниции   З. Изчисляване на канонично представяне   I. Доказателство на твърдение 3.2   J. Доказателство на твърдение 3.4   K. Доказателство на твърдение 3.5   L. Доказателство на твърдение 3.6   М. Доказателство на твърдение 3.11   Н. Доказателство за твърдение 3.12  4 ЕКСПЕРИМЕНТА  4.1 РАЗПОЗНАВАНЕ НА ЧОВЕШКИ ДЕЙСТВИЯ  Използваме три набора от данни, т.е. HDM05 (Muller et al., 2007), FPHA (Garcia-Hernando et al., 2018) и ¨ NTU RBG+D 60 (NTU60) (Shahroudy et al., 2016). Ние сравняваме нашите мрежи със следните най-съвременни модели: SPDNet (Huang & Gool, 2017)[1], SPDNetBN (Brooks et al., 2019)[2], SPSDAI (Nguyen, 2022a), GyroAI- HAUNet (Nguyen, 2022b) и MLR-AI (Nguyen & Yang, 2023).   4.1.1 ИЗСЛЕДВАНЕ НА АБЛАЦИЯ    Нашата мрежа GyroSpd++ има MLR слой, подреден върху конволюционен слой (вижте Фиг. 1). Мотивацията за използване на конволюционен слой  Конволюционни слоеве в SPD невронни мрежи  е, че може да извлича глобални характеристики от локални (ковариационни матрици, изчислени от съвместни координати в рамките на подпоследователности от последователност от действия). Използваме афинно-инвариантни метрики за конволюционния слой и лог-евклидови метрики за MLR слоя. Резултати в табл. 1 показват, че GyroSpd++ постоянно превъзхожда базовите линии на SPD по отношение на средна точност. Резултатите от GyroSpd++ с различни дизайни на римановите метрики за неговите слоеве са дадени в Приложение D.4.1.    Ние изграждаме GyroSpsd++, като заменяме MLR слоя на GyroSpd++ с MLR слой, предложен в раздел 3.3. Резултатите от GyroSpsd++ са дадени в табл. 1. С изключение на SPSDAI, GyroSpsd++ превъзхожда другите базови линии на набор от данни HDM05 по отношение на средна точност. Освен това GyroSpsd++ превъзхожда GyroSpd++ и всички базови линии на набори от данни FPHA и NTU60 по отношение на средна точност. Тези резултати показват, че MLR е ефективен, когато е проектиран в структурни пространства от гледна точка на жировекторното пространство. MLR в структурните пространства  4.2 КЛАСИФИКАЦИЯ НА ВЪЗЕЛИТЕ  Използваме три набора от данни, т.е. Airport (Zhang & Chen, 2018), Pubmed (Namata et al., 2012a) и Cora (Sen et al., 2008), като всеки от тях съдържа една графика с хиляди етикетирани възли. Ние сравняваме нашата мрежа Gr-GCN++ (вижте Фиг. 1) с нейния вариант Gr-GCN-ONB (вижте Приложение E.2.4) въз основа на перспективата на ONB. Резултатите са показани в табл. 2. И двете мрежи дават най-добра производителност за n = 14 и p = 7. Може да се види, че Gr-GCN++ превъзхожда Gr-GCN-ONB във всички случаи. Пропуските в производителността са значителни за наборите от данни Pubmed и Cora.   автори:  (1) Xuan Son Nguyen, ETIS, UMR 8051, CY Cergy Paris University, ENSEA, CNRS, Франция (xuan-son.nguyen@ensea.fr);  (2) Shuo Yang, ETIS, UMR 8051, CY Cergy Paris University, ENSEA, CNRS, Франция (son.nguyen@ensea.fr);  (3) Aymeric Histace, ETIS, UMR 8051, CY Cergy Paris University, ENSEA, CNRS, Франция (aymeric.histace@ensea.fr).  Тази хартия е  под лиценз CC by 4.0 Deed (Attribution 4.0 International).   достъпно на arxiv  [1] https://github.com/zhiwu-huang/SPDNet.  [2] https://papers.nips.cc/paper/2019/hash/6e69ebbfad976d4637bb4b39de261bf7-Абстракт. html.

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Tech Hyperbole

hyperbole.tech

Това аудио е създадено на оригиналния език на историята!

Твърде дълго; Чета

Make resilience your competitive advantage

Новите риманови мрежи превъзхождат традиционните модели при разпознаване на действия и класификация на възли

About Author

КОМЕНТАРИ

ЗАКАЧВАЙТЕ ЕТИКЕТИ

ТАЗИ СТАТИЯ Е ПРЕДСТАВЕНА В

Related Stories

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps