Tabel over links   Abstrakt og 1. Indledning   Indledende  Foreslået tilgang   3.1 Notation   3.2 Nuerale netværk på SPD-manifolder   3.3 MLR i strukturrum   3.4 Neurale netværk på Grassmann Manifolds   Eksperimenter   Konklusion og referencer   A. Notationer   B. MLR i strukturrum   C. Formulering af MLR fra perspektivet af afstande til hyperplaner   D. Anerkendelse af menneskelig handling   E. Nodeklassifikation   F. Begrænsninger af vores arbejde   G. Nogle beslægtede definitioner   H. Beregning af kanonisk fremstilling   I. Bevis for påstand 3.2   J. Bevis for påstand 3.4   K. Bevis for påstand 3.5   L. Bevis for påstand 3.6   M. Bevis for påstand 3.11   N. Bevis for påstand 3.12  4 EKSPERIMENTER  4.1 ANERKENDELSE AF MENNESKEHANDLING  Vi bruger tre datasæt, nemlig HDM05 (Muller et al., 2007), FPHA (Garcia-Hernando et al., 2018) og ¨ NTU RBG+D 60 (NTU60) (Shahroudy et al., 2016). Vi sammenligner vores netværk med følgende avancerede modeller: SPDNet (Huang & Gool, 2017)[1], SPDNetBN (Brooks et al., 2019)[2], SPSDAI (Nguyen, 2022a), GyroAI- HAUNet (Nguyen, 2022b) og MLR-AI (Nguyen & Yang, 2023).   4.1.1 ABLATIONSUNDERSØGELSE    Vores netværk GyroSpd++ har et MLR-lag stablet oven på et foldningslag (se fig. 1). Motivationen for at bruge et foldningslag  Konvolutionslag i SPD neurale netværk  er, at den kan udtrække globale træk fra lokale (kovariansmatricer beregnet ud fra fælles koordinater inden for undersekvenser af en handlingssekvens). Vi bruger affine-invariante metrics til det foldede lag og log-euklidiske metrics for MLR-laget. Resultater i Tab. 1 viser, at GyroSpd++ konsekvent overgår SPD-basislinjerne med hensyn til gennemsnitlig nøjagtighed. Resultaterne af GyroSpd++ med forskellige designs af Riemann-metrikker for dets lag er givet i appendiks D.4.1.    Vi bygger GyroSpsd++ ved at erstatte MLR-laget af GyroSpd++ med et MLR-lag foreslået i afsnit 3.3. Resultater af GyroSpsd++ er angivet i Tab. 1. Med undtagelse af SPSDAI overgår GyroSpsd++ de andre baselines på HDM05-datasættet med hensyn til gennemsnitlig nøjagtighed. Ydermere overgår GyroSpsd++ GyroSpd++ og alle baselines på FPHA- og NTU60-datasæt med hensyn til gennemsnitlig nøjagtighed. Disse resultater viser, at MLR er effektiv, når den designes i strukturrum fra et gyrovektorrumsperspektiv. MLR i strukturrum  4.2 KNODEKLASSIFIKATION  Vi bruger tre datasæt, dvs. Airport (Zhang & Chen, 2018), Pubmed (Namata et al., 2012a) og Cora (Sen et al., 2008), hver af dem indeholder en enkelt graf med tusindvis af mærkede noder. Vi sammenligner vores netværk Gr-GCN++ (se fig. 1) med dets variant Gr-GCN-ONB (se appendiks E.2.4) baseret på ONB-perspektivet. Resultaterne er vist i Tab. 2. Begge netværk giver den bedste ydeevne for n = 14 og p = 7. Det kan ses, at Gr-GCN++ overgår Gr-GCN-ONB i alle tilfælde. Ydeevnegabene er betydelige på Pubmed- og Cora-datasæt.   Forfattere:  (1) Xuan Son Nguyen, ETIS, UMR 8051, CY Cergy Paris University, ENSEA, CNRS, Frankrig (xuan-son.nguyen@ensea.fr);  (2) Shuo Yang, ETIS, UMR 8051, CY Cergy Paris University, ENSEA, CNRS, Frankrig (son.nguyen@ensea.fr);  (3) Aymeric Histace, ETIS, UMR 8051, CY Cergy Paris University, ENSEA, CNRS, Frankrig (aymeric.histace@ensea.fr).  Dette papir er  under CC by 4.0 Deed (Attribution 4.0 International) licens.   tilgængelig på arxiv  [1] https://github.com/zhiwu-huang/SPDNet.  [2] https://papers.nips.cc/paper/2019/hash/6e69ebbfad976d4637bb4b39de261bf7-Abstract. html.

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

Tech Hyperbole

hyperbole.tech

Denne lyd er produceret på historiens originalsprog!

Nye Riemannske netværk overgår traditionelle modeller i handlingsgenkendelse og nodeklassificering

About Author

KOMMENTARER

HÆNG TAGS

DENNE ARTIKEL BLEV PRÆsenterET I

Related Stories

Meet MinIO: The HackerNoon Company of the Week

Meet Bright Data: HackerNoon Company of the Week

Meet Brave: HackerNoon Company of the Week

Avoid These Mistakes to Monetize Internet Products Profitably

Meet MinIO: The HackerNoon Company of the Week

Meet Bright Data: HackerNoon Company of the Week

Meet Brave: HackerNoon Company of the Week

Avoid These Mistakes to Monetize Internet Products Profitably

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps