【论文笔记】NAS-GCN

最新推荐文章于 2024-06-12 09:44:39 发布
最新推荐文章于 2024-06-12 09:44:39 发布
阅读量742 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
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。..................
[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
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 -
基于NAS的GCN网络设计(AAAI2020)
ikerpeng
12-27 2169
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...
探索未来骨架动作识别：GCN-NAS 开源项目解析与实践指南
gitblog_00081的博客
06-12 506
探索未来骨架动作识别：GCN-NAS 开源项目解析与实践指南 去发现同类优质开源项目:https://gitcode.com/ 在人工智能领域，骨架动作识别正成为一种极具潜力的技术，广泛应用于体育分析、智能家居和安防监控等场景。而GCN-NAS是一个创新的开源项目，它以神经搜索为基础，学习并优化图卷积网络（Graph Convolutional Networks）用于骨架数据的动作识别。该项目源自...
阅读笔记Learning Graph Convolutional Network for Skeleton-based Human Action Recognition by NS(AAAI2020)
qq_33331451的博客
03-28 1765
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 2610
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
论文笔记-FedGraphNN: A Federated Learning Benchmark System for Graph Neural Networks
weixin_37390905的博客
06-09 806
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...
顶会论文笔记：联邦学习——ATPFL: Automatic Trajectory Prediction Model Design under Federated Learning Framework
liuzeyao_Newton的博客
09-15 1867
【联邦学习×计算机视觉】ATPFL帮助用户联合多源轨迹数据集，自动设计和训练强大的TP轨迹预测模型。 ATPFL: Automatic Trajectory Prediction Model Design Under Federated Learning Framework
【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.
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 1518
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】Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition...
a1424262219的博客
01-28 3312
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...
An Attention Enhanced Graph Convolutional LSTM Network for Skeleton-Based Action Recognition
CSS360的博客
06-30 2866
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 5387
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 2762
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 2108
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 5万+
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...
ST-GCN和AS-GCN
最新发布
02-18
### ST-GCN 和 AS-GCN 的区别、应用及对比 #### 区别 空间时间图卷积网络（ST-GCN）主要针对具有时空特性的数据设计，能够有效处理动态变化的数据结构。这类模型通常应用于视频动作识别等领域，在这些场景下，节点不仅代表静态实体，还携带随时间演变的信息[^1]。 另一方面，自适应图卷积网络（AS-GCN）则专注于解决传统GCN中预定义邻接矩阵带来的局限性。通过引入注意力机制或其他方法来自适应地学习每层的最佳连接模式，使得该类算法可以在不依赖于输入图结构的情况下工作良好，并能更好地捕捉不同任务下的特征表示[^2]。 #### 应用场景 对于ST-GCN而言，由于其擅长处理带有时间和空间维度的任务，因此非常适合用于人体姿态估计、交通流量预测以及社交网络传播分析等方面的应用程序开发；而AS-GCN因其灵活性和强大的表达能力，则更适用于那些难以预先确定理想拓扑关系的情况，比如推荐系统中的用户偏好建模或是生物信息学里基因调控路径的研究等场合[^3]。 #### 对比 当考虑两者之间的差异时，可以发现它们各自侧重不同的方面来改进标准形式的GCN： - **架构特性**：ST-GCN强调对序列化事件的时间顺序敏感度，利用多尺度聚合策略增强局部与全局上下文感知力；相比之下，AS-GCN聚焦于优化内部交互方式，借助软分配方案实现更加精准的关系权重调整。 - **适用范围**：前者倾向于连续型且存在明显周期规律的现象模拟；后者则适合离散对象间复杂关联挖掘，尤其是在缺乏明确指导先验知识的前提下表现尤为突出。 ```python # 示例代码片段展示如何加载两个框架的基础库 import st_gcn as stg # 假设这是ST-GCN的一个Python包 from as_gcn import AdaptiveGraphConvLayer # 同样假设这是AS-GCN的一部分接口 # 创建实例并初始化参数... st_model = stg.ST_GCN(input_channels=3, num_class=60) as_layer = AdaptiveGraphConvLayer(in_features=16, out_features=32) print("ST-GCN Model:", st_model) print("AS-GCN Layer:", as_layer) ```
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