AAAIDec, 2023

GCNext: 图卷积在人体动作预测中的统一性探索

PDF
TL;DR本文介绍了一种名为 Universal Graph Convolution (UniGC) 的新型图卷积概念，该概念重新构建了不同图卷积，并提出了一种动态确定最适合的图卷积的 GCNext 建模范例，通过独特的模块 - 网络设计，GCNext 在计算成本上具有高达 9 倍的降低，并实现了最先进的性能，主要应用于人体动作预测。
graph convolutional networksuniversal graph convolutiongcnexthuman motion predictiongraph convolutions
发现论文，激发创造
  • 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

  • 用于 3D 人体姿势回归的语义图卷积网络

    本文提出了一种新的神经网络结构 Semantic Graph Convolutional Networks（SemGCN），它能够学习在回归任务中捕捉图形结构数据中的语义信息，特别是局部和全局节点之间的关系，并将其应用于 3D 人体姿势回归，结果表明 SemGCN 仅使用 90％的参数就优于现有技术水平。

    Apr, 2019

  • 基于时空门限 - 邻接图卷积网络的人体运动预测

    提出了一种名为 Spatio-Temporal Gating-Adjacency GCN (GAGCN) 的运动预测模型，采用门控网络增强了 GCN 对于多种动作类型的推广能力，并通过平衡空间和时间的交叉依赖关系，融合了模型的特征，实现了对于人体运动预测的短期和长期性能的最先进水平。

    Mar, 2022

  • 混合层值一个图卷积：将 MLP 混合器和 GCN 统一应用于人体运动预测

    本研究开发了一种新的思路，通过将 Mixers 和 GCNs 统一起来，提出了一种 Meta-Mixing Network, 借助于一种新颖的零聚合操作，该网络能够以协作的方式捕捉结构不可知和结构敏感依赖性，不仅具有计算效率，而且还取得了最先进的性能，从而朝着真正可预测的人类运动迈出了一步。

    Apr, 2023

  • 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

  • 基于骨架的人体运动预测的动态稠密图卷积网络

    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。

    Nov, 2023

  • 图修订卷积网络

    提出一种名为图修正卷积网络（GRCN）的框架，通过引入基于 GCN 的图修正模块来预测缺失边并在下游任务中进行边缘权重修正，以避免过度参数化或简单的重新加权观察到的边缘的问题，并且在六个基准数据集上的实验结果表明，与强基准方法相比，GRCN 始终表现出较大的优势，尤其是原始图严重不完整或用于模型训练的标记实例高度稀疏的情况。

    Nov, 2019

  • 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

  • 基于上下文的可解释的时空图卷积网络用于人体动作预测

    人体动作预测是自动驾驶和安全应用中仍然存在的重要问题，本文提出了基于上下文的可解释时空图卷积网络 (CIST-GCN) 作为一种有效的基于 GCNs 的三维人体姿势预测模型，通过特定层来增强模型的可解释性和提供有用的运动分布和身体行为信息，通过从姿势序列中提取有意义的信息、汇总位移和加速度到输入模型，并最终预测输出位移。在 Human 3.6M、AMASS、3DPW 和 ExPI 数据集上的广泛实验表明，CIST-GCN 在人体动作预测和鲁棒性方面优于以前的方法。鉴于提高运动预测的可解释性的想法具有一定的优势，我们在这里展示了相关实验证明了该想法，并进行了初步的评估。

    Feb, 2024