Jun, 2023

多维度细化图卷积网络与健壮解耦损失用于细粒度基于骨架的动作识别

PDF
TL;DR本文提出了一种灵活的注意力模块 CVSTA，可以提高时空关节的判别能力，进而构建了一种多维精细化的图卷积网络 MDR-GCN，加之结合了鲁棒分离损失函数 RDL，成功地提升了骨架动作识别的准确率。
发现论文，激发创造
  • 基于多尺度空间时间图卷积网络的基于骨架的动作识别

    本研究提出了一种多尺度空间图卷积和多尺度时间图卷积模型，通过分解相应的局部图卷积为一系列子图卷积，形成一个分层残差体系结构，使图卷积神经网络能够捕获空间和时间域中的短程和长程依赖关系，从而实现骨骼动作识别，该模型在三个基准数据集上表现出了显著的性能。

    Jun, 2022

  • 基于多尺度时空自注意力图卷积网络的基于骨架的动作识别

    通过使用自注意力图卷积网络 (GCN) 技术，本研究提出了一种混合模型，名为多尺度时空自注意力网络 (MSST-GCN)，以有效提高建模能力，并在多个数据集上取得了最先进的结果。该模型利用自空间注意力模块来理解帧内不同身体部位之间的关系，利用自时间注意力模块来研究节点帧之间的相关性。随后，通过多尺度卷积网络捕获节点的长程时空依赖关系，将它们组合成高层次的时空表示，并使用 softmax 分类器输出预测的动作。

    Apr, 2024

  • 用于鲁棒的基于骨架的动作识别的 Richly Activated Graph Convolutional Network

    该论文提出了基于骨架的动作识别方法，采用了多流图卷积网络来提高模型的鲁棒性，学习到所有骨架关节的最优特征，显著减轻了由于遮挡和干扰骨架关节导致的性能下降。

    Aug, 2020

  • DD-GCN: 基于有向扩散图卷积网络的基于骨骼的人体行为识别

    构建了指向性扩散图进行动作建模，引入了活动分割策略以优化图卷积核的权重共享机制，提出了时空同步编码器用于嵌入同步时空语义，并通过在三个公共数据集上的实验验证了我们方法的最先进性能。

    Aug, 2023

  • 基于不完整骨架的丰富激活图卷积神经网络动作识别

    本研究提出了富激活 GCN（RA-GCN）的多流图卷积网络，从尚未激活的关节中学习特征，以增强不完整骨架的动作识别模型的稳健性。与现有方法相比，RA-GCN 在 NTU RGB+D 数据集上实现了可比较的性能，并显着减轻了虚拟遮挡数据集的性能下降。

    May, 2019

  • 基于骨架的动作识别的通道感知拓扑细化图卷积

    本文提出了一种名为 CTR-GC 的新颖通道逐层细化图卷积方法，它可以动态学习不同的拓扑并有效地聚合骨架动作识别中不同通道的联合特征。CTR-GC 模型通过学习所有通道的通用拓扑以及为每个通道提供通道特定的关联来建模通道的拓扑结构。该方法引入了少量的额外参数，并显著降低了建模通道拓扑结构的难度。此外，CTR-GC 通过将图卷积重新定义为统一形式，放宽了图卷积的严格约束，导致其表示能力更强。结合时间建模模块，我们开发了一种强大的图卷积网络 CTR-GCN，它在 NTU RGB + D、NTU RGB + D 120 和 NW-UCLA 数据集上明显优于最先进的方法。

    Jul, 2021

  • 基于小波解耦对比增强网络的细粒度基于骨骼的动作识别

    通过使用小波 - 注意分离模块来解决骨骼动作识别中相似动作序列间的混淆和关注轨迹特征的细粒度对比增强模块，我们提出了一种骨骼动作识别方法。实验证明，我们的方法在面对混淆的细粒度动作时具有竞争力。

    Feb, 2024

  • 基于骨骼的动作识别的时空图卷积网络

    提出了一种基于空间 - 时间图卷积网络 (ST-GCN) 的骨架识别模型，该模型能够在不借助人工干预的情况下自动学习骨架在空间和时间上的表现，并且在动作识别以及泛化能力方面远优于之前的方法。

    Jan, 2018

  • 基于部分特征的图卷积神经网络用于动作识别

    本文提出了一种基于部件图卷积网络的人体动作识别模型，该模型将骨骼图分为四个子图，并使用相对坐标和时间位移代替 3D 关节点特征，相对于使用整个骨骼图的模型，能够提高识别性能，实现了对挑战性基准数据集 NTURGB+D 和 HDM05 的骨骼动作识别的最先进水平。

    Sep, 2018

  • 基于骨架的多粒度时空图神经网络学习用于动作识别

    本文提出了一种新的基于骨架的动作分类方法，使用多层次空间时间图网络联合建模粗粒度和细粒度骨架运动模式，并采用双头图网络和跨头部通信策略来提取两个时空分辨率的特征，实验证明该方法在三个大规模数据集上取得了最先进的性能。

    Aug, 2021