Apr, 2024

基于骨骼的运动动作识别的跨块细粒度语义级联

PDF
TL;DR本文提出了一种名为 “交叉块细粒度语义级联（CFSC）” 的模块来改善人体动作视频识别的问题，并在实验结果中展示了 CFSC 模块在动作分类方面的优势。
human action video recognitiongraph convolutional networkscross-block fine-grained semantic cascade (cfsc)fine-grained featuresaction classification
发现论文，激发创造
  • 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

  • 骨架动作识别的反馈图卷积网络

    本文提出了反馈图卷积网络（FGCN）来进行骨架动作识别，FGCN 通过多阶段的时间采样策略和基于稠密连接的反馈图卷积模块，实现了全局空间 - 时间特征的建模，并独创性地提出了早期预测的概念来引导后续特征的学习，实验结果在三个数据集上表现出了最优的效果。

    Mar, 2020

  • 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

  • 基于时空 Inception 图卷积网络的基于骨架的动作识别

    通过对图形卷积网络中的拆分、变换、合并策略进行重新设计，我们构建了一个简单而高度模块化的图形卷积网络体系结构，用于骨架序列处理中的动作识别，并证明了其优于现有基于深度学习的方法。

    Nov, 2020

  • 基于骨架的动作识别：构建更强更快的基准线

    研究了基于骨架动作识别中如何提取骨架联结的区分特征所面临的问题，提出了一种基于图卷积网络的高效的 GCN 基线。通过提出的复合扩展策略，在 NTU RGB+D 60 和 120 数据集上，其 EfficientGCN-B4 基线性能超越其他 SOTA 模型，且模型规模更小、训练速度更快。

    Jun, 2021

  • 克服拓扑集成视野：通过重新定义骨架拓扑感知增强基于骨架的动作识别

    本文研究骨骼动作识别中图卷积网络 (Graph Convolutional Networks, GCNs) 的局限性，提出了一种新的三合一策略：利用图距离编码骨骼连接，强调骨骼序列的时间平均值，以及利用 BlockGC 进行关系配置的变化修正，提高模型性能和准确率。BlockGCN 模型在 NTU RGB+D 120 数据集上表现出色，参数减少了 40% 以上。

    May, 2023

  • 基于骨架的动作识别中学习判别性表示

    本文提出了一个辅助的特征细化头（FR Head），通过空间 - 时间分解和对比特征细化来识别骨架的歧义样本，从而强化对多层的监督，并在多个数据集上进行了广泛的实验，得到了与最先进方法相竞争的结果。

    Mar, 2023

  • 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

  • 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

    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。

    Jun, 2023

  • SportsCap：具挑战性运动视频中单目 3D 人体动作捕捉与细粒度理解

    本论文提出了一种名为 SportsCap 的方法，利用数据驱动的多任务方式，从单眼挑战性运动视频中同时捕获 3D 人体运动和理解细粒度动作，并使用多流空间 - 时间图卷积网络预测细粒度语义动作属性，从而具有分析运动和评分的各种应用。

    Apr, 2021