该论文提出了一种结合信任门机制的时空LSTM模型，用于三维人体动作识别。利用3D骨架数据的序列特性，通过深度优先遍历的树结构，发现空间依赖模式，并在时间维度上学习关节变化。信任门帮助优化长期记忆，提高识别准确性，实现了最先进的性能。
https://arxiv.org/pdf/1607.07043.pdf
Why？
1.基于人类动作分析3D骨架数据——由于其简洁、健壮性和视图不变表示的特点变得流行！
2.创意：提出了一种更强大的基于树结构的遍历方法。
3.性能最先进
How?
时空复发性网络的提出和实现
1.LSTM适合学习在一个序列的时间数据。
2.骨骼数据的序列特性同样适合rnnn的学习在空间领域。然后将递归分析由时间域扩展到空间域，以发现每帧不同节点之间的空间依赖模式。
在空间方向上，框架中的身体关节按顺序馈入。
在时间方向上，相应关节的位置随着时间的推移而变化。
每个单元接收到先前关节和同一关节的先前帧的隐藏表示作为上下文信息.
如图a，作者将骨架转化为树形结构。
送入网络-》深度优先遍历-》到达叶节点时，它会返回。-》上下文信息将沿着两个方向传递。遍历结束后，返回根节点
信任门：估计错误的数量被用作一个新的“信任门”的输入。所获得的信任值为长期记忆机制提供信息，以便更好地决定何时以及如何记住和忘记记忆细胞的内容。
结果：
10万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
