抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
グラフ畳み込みネットワーク(GCNs)は,空間時間グラフとしてモデル化した身体骨格形成行動のシーケンスのような非ユークリッドデータ構造のモデリングにおいて非常に成功した。ほとんどのGCNベースの行動認識法は,動作におけるすべての骨格を処理するために,高い計算複雑性を有する深いフィードフォワードネットワークを使用する。これは,多数の浮動点演算(16Gから100G FLOPsの範囲)を,単一サンプルを処理するのに導き,制約された計算アプリケーションシナリオにおける採用を実行不可能にしている。本論文では,ネットワークの初期層における行動の最も有益な骨格を選択することにより,骨格ベースの行動認識における効率を増加させるための時間注意モジュール(TAM)を提案した。著者らは,計算の全数をさらに低減するために,軽量GCNトポロジーにTAMを組み込んだ。2つのベンチマークデータセットに関する実験結果は,提案方法が,ベースラインGCNベースの方法の大規模マージンより優れ,一方,計算の2.9倍少ないことを示した。さらに,それは,最高9.6倍の計算量で,最高水準の構文で実行される。【JST・京大機械翻訳】