טבלת קישורים   תקציר ו-1. מבוא   מוקדמות  גישה מוצעת   3.1 סימון   3.2 Nueral Networks על סעפות SPD   3.3 MLR במרחבי מבנה   3.4 רשתות עצביות על סעפות גראסמן   ניסויים   מסקנה והפניות   א סימון   B. MLR במרחבי מבנה   ג. ניסוח של MLR מנקודת המבט של מרחקים להיפר-מטוסים   ד.הכרה בפעולה אנושית   E. סיווג צמתים   ו. מגבלות עבודתנו   ז. כמה הגדרות קשורות   ח. חישוב ייצוג קנוני   I. הוכחת טענה 3.2   י. הוכחה לטענה 3.4   ק. הוכחת טענה 3.5   L. הוכחה לטענה 3.6   M. הוכחת טענה 3.11   נ. הוכחה לטענה 3.12  4 ניסויים  4.1 הכרה בפעולה אנושית  אנו משתמשים בשלושה מערכי נתונים, כלומר, HDM05 (Muller et al., 2007), FPHA (Garcia-Hernando et al., 2018), ו-¨ NTU RBG+D 60 (NTU60) (Shahroudy et al., 2016). אנו משווים את הרשתות שלנו מול הדגמים החדישים הבאים: SPDNet (Huang & Gool, 2017)[1], SPDNetBN (Brooks et al., 2019)[2], SPSDAI (Nguyen, 2022a), GyroAI- HANet (Nguyen, 2022b), ו-MLR-AI (Nguyen & Yang, 2023).   4.1.1 מחקר אבלציה    לרשת שלנו GyroSpd++ יש שכבת MLR מוערמת על גבי שכבה קונבולוציונית (ראה איור 1). המוטיבציה לשימוש בשכבה קונבולוציונית  שכבות קונבולוציוניות ברשתות עצביות SPD  הוא שהוא יכול לחלץ תכונות גלובליות מתכונות מקומיות (מטריצות קוווריאציות המחושבות מקואורדינטות משותפות בתוך תת-רצפים של רצף פעולה). אנו משתמשים במדדים Affine-Invariant עבור השכבה הקונבולוציונית ובמדדי Log-Euclidean עבור שכבת MLR. תוצאות בכרטיסייה. 1 מראה ש- GyroSpd++ מתעלה בעקביות על קווי הבסיס של ה-SPD במונחים של דיוק ממוצע. תוצאות של GyroSpd++ עם עיצובים שונים של מדדי Riemannian עבור השכבות שלו ניתנות בנספח D.4.1.    אנו בונים GyroSpsd++ על ידי החלפת שכבת MLR של GyroSpd++ בשכבת MLR המוצעת בסעיף 3.3. תוצאות של GyroSpsd++ ניתנות ב-Tab. 1. מלבד SPSDAI, GyroSpsd++ עולה על קווי הבסיס האחרים במערך הנתונים של HDM05 במונחים של דיוק ממוצע. יתר על כן, GyroSpsd++ מתעלה על GyroSpd++ וכל קווי הבסיס במערך הנתונים של FPHA ו-NTU60 במונחים של דיוק ממוצע. תוצאות אלו מראות כי MLR יעיל כאשר מתוכנן בחללי מבנה מנקודת מבט של חלל גירובקטור. MLR בחללי מבנה  4.2 סיווג צמתים  אנו משתמשים בשלושה מערכי נתונים, כלומר Airport (Zhang & Chen, 2018), Pubmed (Namata et al., 2012a) ו-Cora (Sen et al., 2008), כל אחד מהם מכיל גרף בודד עם אלפי צמתים מסומנים. אנו משווים את הרשת שלנו Gr-GCN++ (ראה איור 1) מול הגרסה שלה Gr-GCN-ONB (ראה נספח E.2.4) בהתבסס על נקודת המבט של ONB. התוצאות מוצגות בכרטיסייה. 2. שתי הרשתות נותנות את הביצועים הטובים ביותר עבור n = 14 ו-p = 7. ניתן לראות ש-Gr-GCN++ מתעלה על Gr-GCN-ONB בכל המקרים. פערי הביצועים משמעותיים במערך הנתונים של Pubmed ו-Cora.   מחברים:  (1) Xuan Son Nguyen, ETIS, UMR 8051, CY Cergy Paris University, ENSEA, CNRS, France (xuan-son.nguyen@ensea.fr);  (2) Shuo Yang, ETIS, UMR 8051, CY Cergy Paris University, ENSEA, CNRS, France (son.nguyen@ensea.fr);  (3) Aymeric Histace, ETIS, UMR 8051, CY Cergy Paris University, ENSEA, CNRS, France (aymeric.histace@ensea.fr).  הנייר הזה הוא  תחת רישיון CC by 4.0 Deed (Attribution 4.0 International).   זמין ב-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

האודיו הזה מופק בשפת המקור של הסיפור!

רשתות רימן חדשות עולות על המודלים המסורתיים בזיהוי פעולה ובסיווג צמתים

About Author

הערות

תלו תגים

מאמר זה הוצג ב

Related Stories

The TechBeat: Everything You Need to Know to Implement Generative AI for Your Enterprise (3/12/2024)

The TechBeat: Python's Testing Playbook: Building Bulletproof Code (1/18/2024)

Synthetic Audio is Now Available for 70,000+ HackerNoon Stories

The TechBeat: Python's Testing Playbook: Building Bulletproof Code (1/16/2024)

The TechBeat: Everything You Need to Know to Implement Generative AI for Your Enterprise (3/12/2024)

The TechBeat: Python's Testing Playbook: Building Bulletproof Code (1/18/2024)

Synthetic Audio is Now Available for 70,000+ HackerNoon Stories

The TechBeat: Python's Testing Playbook: Building Bulletproof Code (1/16/2024)

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps