Tablica veza   Sažetak i 1. Uvod   Pripremne utakmice  Predloženi pristup   3.1 Notni zapis   3.2 Brojne mreže na SPD razdjelnicima   3.3 MLR u prostorima strukture   3.4 Neuronske mreže na Grassmannovim mnogostrukostima   Eksperimenti   Zaključak i literatura   A. Bilješke   B. MLR u prostorima strukture   C. Formulacija MLR iz perspektive udaljenosti do hiperravnina   D. Prepoznavanje ljudskih radnji   E. Klasifikacija čvorova   F. Ograničenja našeg rada   G. Neke srodne definicije   H. Računanje kanonske reprezentacije   I. Dokaz tvrdnje 3.2   J. Dokaz tvrdnje 3.4   K. Dokaz tvrdnje 3.5   L. Dokaz tvrdnje 3.6   M. Dokaz tvrdnje 3.11   N. Dokaz tvrdnje 3.12  4 EKSPERIMENTA  4.1 PREPOZNAVANJE LJUDSKOG DJELA  Koristimo tri skupa podataka, tj. HDM05 (Muller i sur., 2007), FPHA (Garcia-Hernando i sur., 2018) i ¨ NTU RBG+D 60 (NTU60) (Shahroudy i sur., 2016). Uspoređujemo naše mreže sa sljedećim najsuvremenijim modelima: SPDNet (Huang & Gool, 2017)[1], SPDNetBN (Brooks et al., 2019)[2], SPSDAI (Nguyen, 2022a), GyroAI- HAUNet (Nguyen, 2022b) i MLR-AI (Nguyen & Yang, 2023).   4.1.1 STUDIJA ABLACIJE    Naša mreža GyroSpd++ ima MLR sloj naslagan na vrhu konvolucijskog sloja (vidi sliku 1). Motivacija za korištenje konvolucijskog sloja  Konvolucijski slojevi u SPD neuronskim mrežama  je da može izdvojiti globalna obilježja iz lokalnih (matrice kovarijance izračunate iz zajedničkih koordinata unutar podsekvenci akcijskog niza). Koristimo afino-invarijantnu metriku za konvolucijski sloj i log-euklidsku metriku za MLR sloj. Rezultati u Tab. Slike 1 pokazuju da GyroSpd++ dosljedno nadmašuje SPD osnovne linije u smislu srednje točnosti. Rezultati GyroSpd++ s različitim dizajnom Riemannove metrike za njegove slojeve dani su u Dodatku D.4.1.    Gradimo GyroSpsd++ zamjenom MLR sloja GyroSpd++ s MLR slojem predloženim u odjeljku 3.3. Rezultati GyroSpsd++ dati su u Tab. 1. Osim SPSDAI-a, GyroSpsd++ nadmašuje ostale osnovne vrijednosti na skupu podataka HDM05 u smislu srednje točnosti. Nadalje, GyroSpsd++ nadmašuje GyroSpd++ i sve osnovne vrijednosti na skupovima podataka FPHA i NTU60 u smislu srednje točnosti. Ovi rezultati pokazuju da je MLR učinkovit kada se projektira u strukturnim prostorima iz perspektive žirovektorskog prostora. MLR u strukturnim prostorima  4.2 KLASIFIKACIJA ČVORA  Koristimo tri skupa podataka, tj. Airport (Zhang & Chen, 2018), Pubmed (Namata et al., 2012a) i Cora (Sen et al., 2008), svaki od njih sadrži jedan grafikon s tisućama označenih čvorova. Uspoređujemo našu mrežu Gr-GCN++ (vidi sliku 1) s njenom varijantom Gr-GCN-ONB (vidi Dodatak E.2.4) na temelju ONB perspektive. Rezultati su prikazani u Tab. 2. Obje mreže daju najbolje performanse za n = 14 i p = 7. Može se vidjeti da Gr-GCN++ nadmašuje Gr-GCN-ONB u svim slučajevima. Nedostaci u izvedbi značajni su za skupove podataka Pubmed i Cora.   Autori:  (1) Xuan Son Nguyen, ETIS, UMR 8051, Sveučilište CY Cergy Paris, ENSEA, CNRS, Francuska (xuan-son.nguyen@ensea.fr);  (2) Shuo Yang, ETIS, UMR 8051, Sveučilište CY Cergy Paris, ENSEA, CNRS, Francuska (son.nguyen@ensea.fr);  (3) Aymeric Histace, ETIS, UMR 8051, Sveučilište CY Cergy Paris, ENSEA, CNRS, Francuska (aymeric.histace@ensea.fr).  Ovaj papir je  pod licencom CC by 4.0 Deed (Attribution 4.0 International).   dostupno na 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

Ovaj zvuk je proizveden na izvornom jeziku priče!

Nove Riemannove mreže nadmašuju tradicionalne modele u prepoznavanju radnji i klasifikaciji čvorova

About Author

KOMENTARI

VIJESI OZNAKE

OVAJ ČLANAK JE PREDSTAVLJEN U

Related Stories

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps