【论文笔记】NAS-GCN

最新推荐文章于 2022-06-09 16:42:49 发布
最新推荐文章于 2022-06-09 16:42:49 发布
阅读量687 收藏
点赞数
分类专栏： 论文学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/LoveKKarlie_/article/details/113357247
版权
NAS-GCN是首次将神经架构搜索应用于图卷积网络，以探索节点间的时空相关性，创建动态图模块。针对现有GCN预定义图结构的局限，NAS-GCN引入多跳模块，通过切比雪夫多项式逼近增强表示能力。使用进化策略进行内存高效的搜索，自动组装适应不同语义层级的图生成模块。
摘要由CSDN通过智能技术生成

Learning Graph Convolutional Network for Skeleton-Based Human Action Recognition by Neural Searching

通过神经搜索学习图卷积网络用于基于骨骼的人体动作识别

AAAI 2020

现有GCN预定义图结构在整个网络中共享，丢失隐式的关节相关性。主流频谱GCN近似为一阶跳没有涉及到高阶连接。

NAS-GCN：将Neural Architecture Search (NAS)引入GCN，探索节点之间的时空相关性并建立具有多个动态图模块的搜索空间。引入了多跳模块，希望突破一阶逼近对表示能力的限制。提出了一种相应的采样和内存有效的演化策略来搜索该空间。最终的体系结构证明了高阶近似和逐层动态图模块的有效性。

现有主流GCN：一阶切比雪夫多项式近似

本文：NAS用动态结构取代了固定图结构，在不同语义级别上探索了不同的图生成机制，在较少或没有人工协助的情况下获得出色的神经网络结构。

neuro-evolution strategy(ES)通过估计架构分布探索最佳GCN架构，以一种内存高效的方式搜索。

主要工作：

  1. 首次确定NAS-GCN架构
  2. 丰富GCN搜索空间(search space)：在各种时空图模块基础上提供了多个动态图子结构；通过切比雪夫多项式逼近建立高阶连接扩大GCN卷积接收范围
  3. 基于演化的新颖的NAS搜索策略

NAS自动为不同语义级别的层组装图生成模块

GCN搜索空间：

NAS中神经搜索空间决定搜索策略

在这里插入图片描述

其中spatial m： ∀ i , j ∈ V , A D ( i , j ) = e ϕ ( h ( x i ) ) ⨂ ψ ( h ( x j ) ) ∑ j = 1 n e ϕ

最低0.47元/天 解锁文章
KrystalKarlieKarina
关注
专栏目录
深度学习系列资料总结
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
07-17 2万+
说明本系列深度学习资料集合包含机器学习、深度学习等各系列教程，主要以计算机视觉资料为主，包括图像识别、分类、检测、分割等，内容参考Github及网络资源，仅供个人学习。深度学习定义一般是指通过训练多层网络结构对未知数据进行分类或回归深度学习分类有监督学习方法——深度前馈网络、卷积神经网络、循环神经网络等；无监督学习方法——深度信念网、深度玻尔兹曼机，深度自编码器等。手写机器学习笔记github机器学习算法公式推导以及numpy实现github人工智能相关术语link。..................
顶会速递 | ICLR 2020录用论文全集
语言智能技术笔记簿
03-10 1万+
由深度学习三巨头Yoshua Bengio和Yann LeCun牵头创办的人工智能顶会ICLR今年最终收到2594篇投稿，共687篇论文被接收，其中48篇orals，108篇spotlights，531篇posters，录取率为26.5%，相比去年的31.4%略有下降。华人学者占比为47%。这篇博客为大家列出全部录用的论文列表，方便大家自取。
基于NAS的GCN网络设计(AAAI2020)
ikerpeng
12-27 2103
知乎同步发布：https://www.zhihu.com/people/ikerpeng/activities 介绍下我们 AAAI2020的工作：Learning Graph Convolutional Network for Skeleton-based Human Action Recognition by Neural Searching 动作识别（Action recognit...
GCN-NAS:AAAI2020“用于通过神经搜索进行基于骨骼的人体动作识别的学习图卷积网络”的源代码
03-08
GCN-NAS PyTorch源代码，“”，AAAI2020 要求 python包 pytorch = 0.4.1 火炬视觉> = 0.2.1 资料准备 从和下载原始数据。 并预处理数据。 用预处理数据 python data_gen/ntu_gendata.py python data_gen/kinetics-gendata.py. 使用以下命令生成骨骼数据： python data_gen/gen_bone_data.py 模型训练 在这里，您可以训练通过我们的方法搜索的模型。 为不同的配置配置配置文件。 例如，corss-view协议下的训练模型： python main.py --config ./config/nturgbd-cross-view/train_joint.yaml 模型评估 使用其协议更改对应日期集的配置文件。 python main.py -
阅读笔记Learning Graph Convolutional Network for Skeleton-based Human Action Recognition by NS(AAAI2020)
qq_33331451的博客
03-28 1696
目录AbstractIntroductionRelate work Abstract   以图形卷积网络（GCN）为核心的骨架数据的人体动作识别以其强大的非欧几里得结构数据建模能力而备受关注。然而，现有的许多GCN方法都是提供了一个预定义的图，并通过整个网络对其进行修正，导致丢失了隐式的关节关联。此外，主流的谱GCN近似为一阶hop，因此不涉及高阶连接。因此，探索一个更好的GCN体系结构需要付出...
基于深度图像的动作识别
MyArrow的专栏
05-19 2497
1. 简介 1.1 动作识别分类 基于深度信息 （相关论文） 3d action recognition from novel viewpoints (2016) Global context-aware attention lstm networks for 3d action recognition (2017) Super normal vector for activity recognition using depth sequences. (2012) Joint angles simila
图神经网络（GCN）中的过度平滑（over-smooth）问题以及 multi-hops解决思路
一个nlp探险者的博客
11-30 2万+
0. 图神经网络（GCN）中的过度平滑（over-smooth）问题 什么叫做图神经网络的过渡平滑问题？即在图神经网络的训练过程中，随着网络层数的增加和迭代次数的增加，每个节点的隐层表征会趋向于收敛到同一个值（即空间上的同一个位置）。 不是每个节点的表征都趋向于收敛到同一个值，更准确的说，是同一连通分量内的节点的表征会趋向于收敛到同一个值。这对表征图中不通簇的特征、表征图的特征都有好处。但是，有很多任务的图是连通图，只有一个连通分量，或较少的连通分量，这就导致了节点的表征会趋向于收敛到一个值或几个值的问题。
2020年，我终于决定入门GCN
小白将
04-05 1485
文章目录图的概念学习新特征图卷积GCN的PyTorch实现半监督分类实例结语参考 我们面对的很多数据其实是图（graph），图在生活中无处不在，如社交网络，知识图谱，蛋白质结构等。在2020年这个寒冬，窝在家里的小编终于打算入门GNN（Graph Neural Networks）中的分支：GCN（Graph Convolutional Networks）。 图的概念 对于图，我们习惯上用G=(V...
论文笔记-FedGraphNN: A Federated Learning Benchmark System for Graph Neural Networks
weixin_37390905的博客
06-09 750
GNN已经在业界有了很广泛的应用且很多领域已有SOTA的效果，但是在隐私安全日渐趋严的背景下，如何通过FL实现gnn的跨域联邦学习是一个有益的结合，本文通过联邦环境下对于Graph数据的如何在不同domain集群下进行训练，包括邻居采样、聚合和梯度回传等提出了一套完整的方案，并开源相关实现框架...
【论文阅读笔记】NeurIPS2020文章列表Part1
zincrain的博客
12-09 2万+
A graph similarity for deep learning An Unsupervised Information-Theoretic Perceptual Quality Metric Self-Supervised MultiModal Versatile Networks Benchmarking Deep Inverse Models over time, and the Neural-Adjoint method Off-Policy Evaluation and Learning.
【论文笔记】Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition...
a1424262219的博客
01-28 3224
Spatial Temporal Graph Convolutional Networks for Skeleton-Based ActionRecognition 2018-01-2815:45:13 研究背景和动机： 　　行人动作识别（Human Action Recognition）主要从多个模态的角度来进行研究，即：appearance，depth，o...
Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition
paranoid_CNN的博客
06-21 1万+
这篇文章可以说很晦涩了，作者用图卷积学习骨架数据，大概看一遍文章就知道作者建立了3-D Graph，然后用图卷积来学习所建立的图数据特征，然后再识别行为。但是这不是晦涩的地方，毕竟一个图，就看明白了，晦涩的地方是文章中的数据是的维度以及这个维度计算是怎么在图卷积中流动的。不类比传统卷积还好，偏偏现在大多都是拿传统卷积来讲图卷积，然后，会不自觉的用二维欧几里德图形里的传统卷积来考虑图卷积，这就开始蛋...
[行为识别] 2018 AAAI 行为识别论文解读
faiculty
03-08 1万+
[行为识别] 2018 AAAI 行为识别论文解读 Action Detection[1] ++Action Recognition from Skeleton Data via Analogical Generalization over Qualitative Rep
An Attention Enhanced Graph Convolutional LSTM Network for Skeleton-Based Action Recognition
CSS360的博客
06-30 2840
论文链接：https://arxiv.org/pdf/1902.09130.pdf 摘要 基于骨架的动作识别是一个非常重要的任务，需要足够的理解移动特点一个人活动，从给定的骨架序列。最近的研究已经展示，探索空间和时间的特征在骨架序列上，是非常重要的对于这个任务。尽管，如何去有效去提取有判断力的空间和时间特征仍然是一个具有挑战的问题。在这篇文章中，我们提出一个新颖的注意增强图卷积L...
读书笔记5：Deep Progressive Reinforcement Learning for Skeleton-based Action Recognition
b224618的博客
07-21 5330
这篇文章开篇就指出，我们的模型是要从人体动作的序列中选取出最informative的那些帧，而丢弃掉用处不大的部分。但是由于对于不同的视频序列，挑出最有代表性的帧的方法是不同的，因此，本文提出用深度增强学习来将帧的选择模拟为一个不断进步的progressive process。 这篇文章处理的问题是skeleton based action recognition，提出的模型的示意图如下：  ...
基于骨架的动作识别----论文总结
m0_50811752的博客
04-18 2645
ST-GCN 2018 Spatial Temporal Graph Convolutional Networks for Skeleton Based Action Recognition（AAAI 2018） 原文地址 CODE ST-GCN GCA-LSTM 2018 Skeleton Based Human Action Recognition with Global Context-Aware Attention LSTM Networks（CVPR 2018） 原文地址 CODE GCA-LST
论文浅尝 | BAG：面向多跳推理问答得双向 Attention 实体图卷积网络
开放知识图谱
01-22 2061
论文笔记整理：谭亦鸣，东南大学博士生，研究兴趣：知识图谱问答来源：NAACL 2019链接：https://www.aclweb.org/anthology/N19-1032/...
最通俗易懂的图神经网络（GCN）原理详解
热门推荐
duanyuchen的博客
10-06 4万+
gcn原文(Multi-layer Graph Convolutional Network (GCN) with first-order filters) GCN问世已经有几年了（2016年就诞生了），但是这两年尤为火爆。本人愚钝，一直没能搞懂这个GCN为何物，最开始是看清华写的一篇三四十页的综述，读了几页就没读了；后来直接拜读GCN的开山之作，也是读到中间的数学部分就跪了；再后来在知乎上看大神们的讲解，直接被排山倒海般的公式——什么傅里叶变换、什么拉普拉斯算子等...
GCN现有变体不完全汇总（在时空数据挖掘中的应用）
zzyy0929的博客
03-04 3790
GCN现有变体汇总（应用篇） Mix Hop（高阶多跳的图特征）融合 文献： ICML_2019 MixHop: Higher-Order Graph Convolutional Architectures via Sparsified Neighborhood Mixing AAAI_20: M...
CTR-GCN和TE-GCN在各数据集的表现
最新发布
10-14
CTR-GCN (Click Through Rate Graph Convolutional Networks) 和 TE-GCN (Temporal Edge-aware Graph Convolutional Networks) 是两种应用于点击率预测（ Click-Through Rate prediction，CTP）的图神经网络模型，它们通常用于处理用户行为序列数据，如电商网站、搜索引擎等场景中的用户浏览、搜索历史。 CTR-GCN 模型利用了图形结构来捕捉用户的兴趣关联，并通过GCN（Graph Convolutional Network）对节点特征（用户和商品）进行编码，以便更好地理解用户的行为模式。它在一些基准数据集上，比如Criteo Kaggle Display Advertising Challenge的数据，能够提高广告点击预测的精度。 TE-GCN 则在此基础上加入了时间维度，考虑了事件发生的顺序和时间间隔，增强了模型对用户动态兴趣变化的理解。这种设计特别适合有时间序列信息的情况，例如推荐系统中的实时推荐。TE-GCN 会在一些注重时间序列依赖的数据集，如京东、淘宝等电商平台的数据集上，展现出优秀的性能。 然而，具体到每个数据集的表现，可能会受到多种因素的影响，包括但不限于数据质量、模型复杂度、超参数调整以及训练策略等。因此，在论文中会提供详细的实验结果对比，常见的评估指标有AUC（Area Under the ROC Curve）、Precision@K等。如果你想知道具体的排名或数值，建议查阅相关的研究论文或者官方发布的性能报告。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值