TE-GCN-main

一、项目介绍

1 论文介绍

1.1 题目：Temporal Graph Modeling for Skeleton-based Action Recognition

1.2 作者：Jianan Li, Xuemei Xie, Zhifu Zhao, Yuhan Cao, Qingzhe Pan and Guangming Shi Fellow, IEEE

1.3：原文链接：Temporal‐enhanced graph convolution network for skeleton‐based action recognition - Xie - 2022 - IET Computer Vision - Wiley Online Library

二，项目文件

2.1项目名：TE-GCN-main

2.2项目链接:GitHub - xieyulai/TE-GCN: skeleton-based action recognition

三，项目准备

3.1 数据集:UAV-Human

（1）下载链接：UAV-Human

3.2数据预处理：

  (1)项目名：Pre_Data-main

（2）项目链接：GitHub - xieyulai/UAVHuman_For_TE-GCN: Generating splited UAV-Human Pose datasets (XSUB1 and XSUB2) for [TE-GCN](https://github.com/xieyulai/TE-GCN)

四，实验步骤

（1）准备环境，安装anaconda，创建虚拟环境，安装最新的pytorch（gpu版本）,cuda，cudnn，以及所需库（numpy，tqdm等）

（2）下载数据集，将".\UAV-Human\ActionRecognition\Skeleton"放到数据预处理文件（Pre_Data-main）中的".Pre_Data-main\UAV-Human\data"中

（3）按照Pre_Data-main中READ ME依次运行split_v1.py 、 split_v2.py，generate_data.py,运行结果如下：

└───data/v1
    ├───train
        ├───P000S00G10B10H10UC022000LC021000A000R0_08241716.txt
        ├───P000S00G10B10H10UC022000LC021000A001R0_08241716.txt
        └───...
    ├───test
        ├───P000S00G10B10H10UC022000LC021000A000R0_08241716.txt
        ├───P000S00G10B10H10UC022000LC021000A001R0_08241716.txt
        └───...
    ├───train_label.pkl
    ├───train_data.npy
    ├───test_data.npy
    └───test_label.pkl

v2具有相似的结构

（4）将v1、v2中的train_data.npy、train_label.pkl,test_data.npy、test_label.pkl分别粘贴到TE-GCN-main\data下的xsub1、xsub2文件夹下，文件结构如下：

xsub2文件夹具有相似的结构

（5）通过脚本训练模型

在Linux环境下，可直接运行TRAIN_V1.sh，TRAIN_V2.sh脚本（sh scripts/TRAIN_V1.sh；sh scripts/TRAIN_V2.sh）

在windows环境下，可在终端运行python命令

python main.py --config ./config/uav-cross-subjectv1/train.yaml --work-dir work_dir/2101 -model_saved_name runs/2101 --device 0 --batch-size 56 --test-batch-size 56 --warm_up_epoch 5 --only_train_epoch 60 --seed 777

python main.py --config ./config/uav-cross-subjectv2/train.yaml --work-dir work_dir/2102 -model_saved_name runs/2102 --device 0 --batch-size 56 --test-batch-size 56 --warm_up_epoch 5 --only_train_epoch 60 --seed 777

运行结果如下：

（6）通过脚本测试模型

运行EVAL_V1,EVAL_V2脚本，操作类似运行TRAIN_V1.sh，TRAIN_V2.sh脚本

（7）WEIGHTS 权重

可在 TE-GCN-main项目文件中的READ ME中获取两个训练有素的权重

把它们放进TE-GCN-main\runs

• V1:TOP1-42.37% V1：TOP1-42.37%
• V2:TOP1-68.11% V2：TOP1-68.11%