CTR-GCN: 基于骨骼的动作识别——通道级拓扑细化图卷积网络

CTR-GCN: 基于骨骼的动作识别——通道级拓扑细化图卷积网络

CTR-GCN 项目地址: https://gitcode.com/gh_mirrors/ct/CTR-GCN

项目介绍

CTR-GCN 是一个在 ICCV2021 上发表的开源项目，实现了“基于骨架的动作识别中通道级拓扑细化图卷积”。该研究通过引入通道级的拓扑结构优化，提升了骨骼数据驱动的动作识别性能。此外，项目还提供了一个简单但强大的基线模型，仅使用关节模态，在 NTU120 CSub 数据集上达到了 83.7% 的准确率，旨在促进骨架基础动作识别领域的发展。

项目快速启动

环境准备

首先，确保你的开发环境满足以下要求：

• Python >= 3.6
• PyTorch >= 1.1.0
• PyYAML, tqdm, tensorboardX

你可以通过创建一个新的Anaconda虚拟环境并运行以下命令来安装所有依赖项：

pip install -r requirements.txt

获取数据集

你需要下载三个主要的数据集：

• NTU RGB+D 60
• NTU RGB+D 120
• NW-UCLA

数据集可以分别从以下地址获取：

• NTU RGB+D 请求访问：https://rose1.ntu.edu.sg/dataset/actionRecognition
• 下载骨架数据（示例为NTU RGB+D 60与120的部分）。

解压并将文件放置在正确的目录结构中，例如 /data/nturgbd_raw 对应 NTU 数据集。

运行示例

假设你已经完成了数据预处理，你可以通过修改配置文件和指定工作目录来开始训练。以训练 CTR-GCN 在 NTU RGB+D 120 Cross Subject 模式为例：

python main.py --config config/nturgbd120-cross-subject/default.yaml --work-dir work_dir/ntu120/csub/ctrgcn --device 0

应用案例和最佳实践

对于最佳实践，开发者建议从调整配置文件中的参数开始，特别是那些与模型结构、学习率、以及是否使用骨节（bone）或速度（motion）模态相关的设置。进行模型微调时，关注特定场景的表现，并利用数据增强策略如随机旋转、缩放等，以提升泛化能力。

典型生态项目

虽然直接指出“典型生态项目”并不直接体现在给定的项目页面中，但本项目间接地促进了骨骼动作识别领域的生态系统发展。研究者和其他开发者可以通过借鉴 CTR-GCN 中的图卷积技术，实现对现有动作识别系统的改进或创新，比如在智能健身指导、人机交互、安防监控等领域应用这些先进的骨架分析方法。

---

此文档提供了一个快速上手指南，详细的应用和更高级的调优步骤需参考项目中的官方文档和配置文件。加入社区讨论和技术交流，可以在遇到具体实施难题时获取更多帮助。

CTR-GCN 项目地址: https://gitcode.com/gh_mirrors/ct/CTR-GCN