Linkkitaulukko   Tiivistelmä ja 1. Johdanto   Alkuvaiheet  Ehdotettu lähestymistapa   3.1 Merkintä   3.2 Nueral Networks SPD-jakotukissa   3.3 MLR rakennetiloissa   3.4 Neuroverkot Grassmann Manifoldsissa   Kokeilut   Johtopäätös ja viitteet   A. Merkinnät   B. MLR rakennetiloissa   C. MLR:n formulointi etäisyyksien näkökulmasta hypertasoihin   D. Ihmisen toiminnan tunnistaminen   E. Solmuluokitus   F. Työmme rajoitukset   G. Jotkut aiheeseen liittyvät määritelmät   H. Kanonisen esityksen laskenta   I. Ehdotuksen todiste 3.2   J. Lausunnon todiste 3.4   K. Lausuntotodistus 3.5   L. Lausuntotodistus 3.6   M. Lausuntotodistus 3.11   N. Proposition todiste 3.12  4 KOKEILUA  4.1 IHMISTEN TOIMINNAN TUNNISTAMINEN  Käytämme kolmea tietojoukkoa, eli HDM05 (Muller et al., 2007), FPHA (Garcia-Hernando et al., 2018) ja ¨ NTU RBG+D 60 (NTU60) (Shahroudy et al., 2016). Vertaamme verkkojamme seuraaviin huippuluokan malleihin: SPDNet (Huang & Gool, 2017)[1], SPDNetBN (Brooks et al., 2019)[2], SPSDAI (Nguyen, 2022a), GyroAI- HAUNet (Nguyen, 2022b) ja MLR-AI (Nguyen & Yang, 2023).   4.1.1 ABLATIOTUTKIMUS    Verkossamme GyroSpd++ on MLR-kerros pinottu konvoluutiokerroksen päälle (katso kuva 1). Motivaatio konvoluutiokerroksen käyttöön  Konvoluutiokerrokset SPD-hermoverkoissa  on, että se voi erottaa globaaleja piirteitä paikallisista (kovarianssimatriiseja, jotka on laskettu yhteisistä koordinaateista toimintasekvenssin osasekvenssien sisällä). Käytämme affine-invariant-mittareita konvoluutiotasolle ja log-euklidisia mittareita MLR-tasolle. Tulokset välilehdellä. Kuva 1 osoittaa, että GyroSpd++ ylittää jatkuvasti SPD:n perusviivat keskimääräisen tarkkuuden suhteen. GyroSpd++:n tulokset eri Riemanni-metriikkamalleilla sen kerroksille on esitetty liitteessä D.4.1.    Rakennamme GyroSpsd++:n korvaamalla GyroSpd++:n MLR-kerroksen kohdassa 3.3 ehdotetulla MLR-kerroksella. GyroSpsd++:n tulokset on esitetty Tab. 1. SPSDAI:ta lukuun ottamatta GyroSpsd++ ylittää muut HDM05-tietojoukon perusviivat keskimääräisen tarkkuuden suhteen. Lisäksi GyroSpsd++ ylittää GyroSpd++:n ja kaikki FPHA- ja NTU60-tietosarjojen perusviivat keskimääräisen tarkkuuden suhteen. Nämä tulokset osoittavat, että MLR on tehokas, kun se suunnitellaan rakennetiloihin gyrovektoritilan näkökulmasta. MLR rakennetiloissa  4.2 SODULUOKITUS  Käytämme kolmea tietojoukkoa, eli Airport (Zhang & Chen, 2018), Pubmed (Namata et al., 2012a) ja Cora (Sen et al., 2008), joista jokainen sisältää yhden kaavion, jossa on tuhansia merkittyjä solmuja. Vertaamme verkkoamme Gr-GCN++ (katso kuva 1) sen muunnelmaan Gr-GCN-ONB (katso liite E.2.4) ONB-perspektiivin perusteella. Tulokset näkyvät välilehdessä. 2. Molemmat verkot antavat parhaan suorituskyvyn arvoilla n = 14 ja p = 7. Voidaan nähdä, että Gr-GCN++ ylittää Gr-GCN-ONB:n kaikissa tapauksissa. Suorituskykyvajeet ovat merkittäviä Pubmed- ja Cora-tietosarjoissa.   Tekijät:  (1) Xuan Son Nguyen, ETIS, UMR 8051, CY Cergy Paris University, ENSEA, CNRS, Ranska (xuan-son.nguyen@ensea.fr);  (2) Shuo Yang, ETIS, UMR 8051, CY Cergy Paris University, ENSEA, CNRS, Ranska (son.nguyen@ensea.fr);  (3) Aymeric Histace, ETIS, UMR 8051, CY Cergy Paris University, ENSEA, CNRS, Ranska (aymeric.histace@ensea.fr).  Tämä paperi on  CC by 4.0 Deed (Attribution 4.0 International) -lisenssi.   saatavilla arxivista  [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

Tämä ääni on tuotettu tarinan alkuperäisellä kielellä!

Uudet Riemannin verkot ylittävät perinteiset mallit toiminnantunnistuksessa ja solmuluokituksessa

About Author

KOMMENTIT

RIPUTA TAGSIA

TÄMÄ ARTIKKELI ESITETTIIN

Related Stories

PENANCE

Meet dRPC: HackerNoon Company of the Week

Why Choosing to Publish on HackerNoon First Matters

Spaghetti

PENANCE

Meet dRPC: HackerNoon Company of the Week

Why Choosing to Publish on HackerNoon First Matters

Spaghetti

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps