Nuorodų lentelė   Santrauka ir 1. Įvadas   Preliminariai  Siūlomas požiūris   3.1 Žymėjimas   3.2 Nueral tinklai SPD kolektoriuose   3.3 MLR struktūrinėse erdvėse   3.4 Neuroniniai tinklai Grassmann kolektoriuose   Eksperimentai   Išvados ir literatūros sąrašas   A. Žymėjimai   B. MLR struktūrinėse erdvėse   C. MLR formulavimas atstumų iki hiperplokštumų požiūriu   D. Žmogaus veiksmų atpažinimas   E. Mazgų klasifikacija   F. Mūsų darbo apribojimai   G. Kai kurie susiję apibrėžimai   H. Kanoninio vaizdavimo skaičiavimas   I. Teiginio įrodymas 3.2   J. Teiginio įrodymas 3.4   K. Teiginio įrodymas 3.5   L. Teiginio įrodymas 3.6   M. Teiginio įrodymas 3.11   N. Teiginio įrodymas 3.12  4 EKSPERIMENTAI  4.1 ŽMOGAUS VEIKSMŲ PRIPAŽINIMAS  Mes naudojame tris duomenų rinkinius, ty HDM05 (Muller ir kt., 2007), FPHA (Garcia-Hernando ir kt., 2018) ir ¨ NTU RBG+D 60 (NTU60) (Shahroudy ir kt., 2016). Mes lyginame savo tinklus su šiais moderniausiais modeliais: SPDNet (Huang & Gool, 2017)[1], SPDNetBN (Brooks ir kt., 2019)[2], SPSDAI (Nguyen, 2022a), GyroAI- HAUNet (Nguyen, 2022b) ir MLR-AI (Nguyen & Yang, 2023).   4.1.1 ABLIACIJOS TYRIMAS    Mūsų tinkle GyroSpd++ yra MLR sluoksnis, sukrautas ant konvoliucinio sluoksnio (žr. 1 pav.). Konvoliucinio sluoksnio naudojimo motyvacija  Konvoliuciniai sluoksniai SPD neuroniniuose tinkluose  yra tai, kad jis gali išskirti globalius bruožus iš vietinių (kovariacijos matricos, apskaičiuotos iš jungtinių koordinačių veiksmų sekos subsekose). Konvoliuciniam sluoksniui naudojame afininio invarianto metriką, o MLR sluoksniui – log-euklido metriką. Rezultatai skirtuke. 1 parodyta, kad GyroSpd++ nuosekliai lenkia SPD bazines linijas pagal vidutinį tikslumą. GyroSpd++ su skirtingais sluoksnių Riemanno metrikos modeliais rezultatai pateikti D.4.1 priede.    Kuriame GyroSpsd++, pakeitę GyroSpd++ MLR sluoksnį MLR sluoksniu, siūlomu 3.3 skyriuje. GyroSpsd++ rezultatai pateikti tab. 1. Išskyrus SPSDAI, GyroSpsd++ vidutiniu tikslumu lenkia kitas bazines HDM05 duomenų rinkinio linijas. Be to, „GyroSpsd++“ pralenkia „GyroSpd++“ ir visas FPHA ir NTU60 duomenų rinkinių bazines linijas pagal vidutinį tikslumą. Šie rezultatai rodo, kad MLR yra efektyvus, kai projektuojamas struktūrinėse erdvėse iš girovektoriaus erdvės perspektyvos. MLR struktūrinėse erdvėse  4.2 MAZGŲ KLASIFIKACIJA  Mes naudojame tris duomenų rinkinius, ty Airport (Zhang & Chen, 2018), Pubmed (Namata ir kt., 2012a) ir Cora (Sen ir kt., 2008), kiekviename iš jų yra vienas grafikas su tūkstančiais pažymėtų mazgų. Remdamiesi ONB perspektyva, palyginame savo tinklą Gr-GCN++ (žr. 1 pav.) su jo variantu Gr-GCN-ONB (žr. E.2.4 priedą). Rezultatai rodomi tab. 2. Abu tinklai geriausiai veikia esant n = 14 ir p = 7. Galima pastebėti, kad Gr-GCN++ visais atvejais lenkia Gr-GCN-ONB. Pubmed ir Cora duomenų rinkinių našumo spragos yra reikšmingos.   Autoriai:  (1) Xuan Son Nguyen, ETIS, UMR 8051, CY Cergy Paris universitetas, ENSEA, CNRS, Prancūzija (xuan-son.nguyen@ensea.fr);  (2) Shuo Yang, ETIS, UMR 8051, CY Cergy Paris universitetas, ENSEA, CNRS, Prancūzija (son.nguyen@ensea.fr);  (3) Aymeric Histace, ETIS, UMR 8051, CY Cergy Paris universitetas, ENSEA, CNRS, Prancūzija (aymeric.histace@ensea.fr).  Šis popierius yra  pagal CC pagal 4.0 Deed (Attribution 4.0 International) licenciją.   galima rasti 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

Šis garso įrašas sukurtas originalia istorijos kalba!

Nauji Riemanno tinklai pranoksta tradicinius modelius veiksmų atpažinimo ir mazgų klasifikavimo srityje

About Author

KOMENTARAI

PABAIGTI ŽYMES

ŠIS STRAIPSNIS BUVO PRISTATYMAS

Related Stories

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps