Aug, 2024

信号-图神经网络：通过学习时间-频率动态进行骨骼动作识别

HTML
PDF
TL;DR本研究解决了图卷积网络在骨骼基础动作识别中的复杂性和高能耗问题。提出的信号-图神经网络利用骨骼序列的时间特性并引入多种特征提取模块，显著降低了计算和存储成本，同时提升了分类准确性。实验结果表明，该方法在多个数据集上超越了现有的基于脉冲神经网络的方法，且与图卷积网络方法相比结果也相当出色。
发现论文，激发创造
  • 基于骨架的动作识别的双流自适应图卷积网络

    本研究提出了一种新的双流自适应图卷积网络(2s-AGCN)，用于基于骨架的动作识别，通过数据驱动的方法学习网络拓扑结构，同时建立了包含一阶和二阶信息的双流框架，通过对NTU-RGBD和Kinetics-Skeleton数据集上的实验，证明了本模型的优越性。

    May, 2018

  • 基于骨架的多流自适应图卷积网络动作识别

    本文提出了一种多流注意力增强的自适应图卷积神经网络(MS-AAGCN)，用于基于骨架的动作识别。该模型可以端到端地学习图的拓扑结构，并用空时通道注意模块提高模型注意到重要关节、帧和特征。多流框架同时建模关节和骨骼信息及其运动信息，结果在大规模数据集NTU-RGBD和Kinetics-Skeleton上都超过了现有技术水平。

    Dec, 2019

  • 基于自注意力网络的基于骨骼的人体动作识别

    提出三个Self-Attention网络的变体来提取高层语义，其中将Temporal Segment Network应用于变体以获得更好的性能，通过广泛的实验评估，探索了不同配置和表现更好的方法。

    Dec, 2019

  • 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

  • 基于空间和时间变换器网络的基于骨架的动作识别

    本文提出了一种基于 Spatial-Temporal Transformer 网络的骨骼姿态行为识别方法，使用自注意力机制成功提取了骨骼运动及其相关性的信息，与其他同类算法相比在多个大规模数据集上表现出更好的精度。

    Aug, 2020

  • 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

  • 用于动作识别的分层图卷积骨架变换器

    本文提出了一种名为Hierarchical Graph Convolutional skeleton Transformer (HGCT)的新型架构，通过引入Disentangled Spatiotemporal Transformer块，利用全局时空注意力和本地信息增强相互协同，以解决基于骨架的动作识别中的邻域限制和空间时间特征表示相互干扰等问题，同时具有计算效率高、解释性好等优点。

    Sep, 2021

  • 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

  • MK-SGN: 基于脊柱的动作识别的融入多模态融合和知识蒸馏的脉冲图卷积网络

    提出一种能减少能耗的脉冲图卷积网络，融合多模态数据和知识蒸馏，应用于基于骨架的动作识别，通过减少能量消耗来提高识别准确性。

    Apr, 2024