دانلود ترجمه مقاله TGLSTM: یک رویکرد یادگیری عمیق گراف مبتنی بر زمان

1. مقدمه 2. ارائه گراف 3. مدل TGLSTM 4. نتایج آزمایشگاهی 5. نتیجه گیری

چکیده – ما با مسئله شناسایی هویت، از روی نحوه راه رفتن، با استفاده از مدل یادگیری عمیق مستحکم بر پایه گراف ها روبه رو هستیم. رویکرد یادگیری مبتنی بر گراف پیشنهادی، که با نام شبکه حافظه طولانی کوتاه مدت گراف، مبتنی بر زمان، نامگذاری شده، توانایی یادگیری پویای گراف ها در صورت تغییر در طول زمان را دارند (همانند شناسایی عمل و هویت از روی نحوه راه رفتن). در حقیقت، مدل TGLSTM به صورت مشترک از داده های ساختار یافته و اطلاعات زمانی، از طریق یک مدل شبکه عصبی عمیق استفاده می کند که توانایی یادگیری وابستگی های کوتاه مدت بلند را به صورت مشترک با ساختار گراف دارد. آزمایشاتی بر روی مجموعه داده های معروف، برای شناسایی اعمال و هویت از روی نحوه راه رفتن انجام شد. این مجموعه داده ها شامل MSR ACTION 3D، CAD60، CASIA Gait B ،TUM گیت از صدا، عکس و دفث (TUM-GAID) می شود که نکات برتر TGLSTM را در مقایسه با مدرن ترین روش ها بررسی می کند.

We face the problem of gait recognition by using a robust deep learning model based on graphs. The proposed graph based learning approach, named Time based Graph Long Short-Term Memory (TGLSTM) network, is able to dynamically learn graphs when they may change during time, like in gait and action recognition. Indeed, the TGLSTM model jointly exploits structured data and temporal information through a deep neural network model able to learn long short-term dependencies together with graph structure. The experiments were made on popular datasets for action and gait recognition, MSR Action 3D, CAD-60, CASIA Gait B, “TUM Gait from Audio, Image and Depth” (TUM-GAID) datasets, investigating the advantages of TGLSTM with respect to state-of-the-art methods.