基于骨架的人体运动预测的动态稠密图卷积网络

Nov, 2023

基于骨架的人体运动预测的动态稠密图卷积网络

Dynamic Dense Graph Convolutional Network for Skeleton-based Human Motion Prediction

Xinshun Wang, Wanying Zhang, Can Wang, Yuan Gao, Mengyuan Liu

TL;DR本文提出了一种动态密集图卷积网络（DD-GCN），它通过构建密集图和实现集成的动态信息传递来解决了骨骼序列构建图以及在图上进行信息传递的问题，在基准数据集上取得了明显的优越性能。

Abstract

graph convolutional networks (GCN) which typically follows a neural message passing framework to model dependencies among skeletal joints has achieved high success in skeleton-based human motion prediction task.

graph convolutional networks skeleton-based human motion prediction dynamic dense graph convolutional network dynamic message passing benchmark datasets

发现论文，激发创造

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

高效组合人体运动预测的动态组合图卷积网络

通过提出一种综合人体动作预测任务的方法，使用图卷积网络 (GCN) 来生成合成动作并减少对复杂模型的需求，实现了高准确性的人体动作预测，同时减少计算成本。

Nov, 2023

多图卷积网络用于姿态预测

本文提出了一种基于多图卷积网络 (MGCN) 的三维人体姿势预测方法，该方法结合自然结构和序列注意力，同时捕获空间和时间信息，并在人体运动预测的基准数据集上表现出比现有方法更好的效果。

Apr, 2023

基于 3D 骨骼的人体运动预测的动态多尺度图神经网络

该研究提出了一种新颖的动态多尺度图神经网络（DMGNN），以预测基于 3D 骨架的人体动作，整个模型采用编码器 - 解码器框架，并使用多尺度图计算单元（MGCU）提取不同尺度的特征并融合。实验证明，在 Human 3.6M 和 CMU MOCAP 数据集上，DMGNN 在短期和长期预测方面都优于现有的方法。

Mar, 2020

基于迭代图滤波网络的三维人体姿态估计

本文介绍了一种基于迭代图滤波的框架，用于 3D 人体姿势估计，并通过高斯 - 塞德尔迭代法设计了 Gauss-Seidel 网络架构，利用邻接修正和跳跃连接等方法改善模型性能。实验结果表明，该方法在两个标准数据集上都超过了其他基准方法，达到了最先进性能。

Jul, 2023

条件有向图卷积用于三维人体姿态估计

本文提出一种基于有向图模型的 U 型结构的条件有向图卷积网络，用于从单目视频中进行 3D 人体姿势估计，实验结果表明有向图模型可以更好地利用人体骨骼的层次结构，而条件连接可以为不同的姿态产生自适应的图拓扑。

Jul, 2021

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

Dynamic GCN：基于骨架动作识别的上下文增强拓扑学习

本文提出了 Dynamic GCN, 一种基于 Graph Convolutional Networks 的方法，通过引入 Contextencoding Network (CeN) 来自动学习骨架拓扑结构，CeN 是一个轻量级且有效的卷积神经网络，能够嵌入到 GCN 中，该方法在 NTU-RGB+D、NTU-RGB+D 120 和 Skeleton-Kinetics 三个基准测试集上实现了当前的最佳表现。

Jul, 2020

基于骨架的动作识别的时序图建模

本篇文章介绍了一种称之为 Temporal Enhanced Graph Convolutional Network (TE-GCN) 的新模型，用于构建骨骼动作识别应用中的时间关系图，以提取骨架序列的时间动态。文章对两个广泛使用的大型数据集进行了广泛的实验，在动作识别中取得了最先进的性能，同时通过多头机制进一步探索时间关系图。

Dec, 2020