![](https://img-blog.csdnimg.cn/20201014180756738.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
骨架动作识别
文章平均质量分 96
湘粤Ian
热爱AI的湘粤Ian
展开
-
论文超详细精读|五千字:PB-GCN
《Part-based Graph Convolutional Network for Action Recognition》 1.引入了基于部分的图卷积网络(PB-GCN)来从骨架视频中识别动作。本质上,parts上的图卷积的目的是捕捉parts的高级属性并学习它们之间的关系。2.将骨架图划分为四个子图,子图之间共享关节,并学习使用基于部分的图卷积网络的识别模型。与使用整个骨架图的模型相比,这样的模型提高了识别性能。原创 2022-11-05 22:33:20 · 1026 阅读 · 12 评论 -
论文超详细精读|七千字:AGC-LSTM
看完标题《An Attention Enhanced Graph Convolutional LSTM Network for Skeleton-Based Action Recognition》,摘要和结论,我了解到了以下信息: 1.提出了一种新的注意力增强图卷积LSTM网络(AGC-LSTM),用于从骨架数据中识别人体动作。 2.提出的AGC-LSTM不仅可以捕获空间配置和时间动态中的区别特征,而且可以探索空间和时间域之间的同现关系。原创 2022-11-05 17:29:57 · 1271 阅读 · 0 评论 -
论文超详细精读|八千字:DGNN
本文创新点如下 1.DGNN有向图神经网络:基于自然人体关节和骨骼之间的运动依赖性,将骨骼数据表示为有向无环图(DAG)。设计了一种新的有向图神经网络,用于提取关节、骨骼及其关系的信息,并根据提取的特征进行预测。2.图拓扑的自适应:为了更好地拟合动作识别任务,在训练过程的基础上对图的拓扑结构进行了自适应处理,取得了显著的改进。3.利用骨架序列的运动信息与空间信息相结合。原创 2022-11-02 20:29:00 · 1417 阅读 · 4 评论 -
论文超详细精读|五千字:ResGCN/DenseGCN
1.提出了成功训练深度GCNs的新方法。借鉴了CNN的概念,特别是残差(residual)/密集(dense)连接和扩张(dilated)卷积,并将它们适应于GCN架构。2.使用这些新概念构建了一个非常深的56层GCN,并展示了它如何显著提高点云语义分割任务中的性能(与最先进的技术相比增加3.7%的mIoU)。原创 2022-10-30 11:24:57 · 3105 阅读 · 1 评论 -
论文超详细精读|五千字:STGR
提出了一种新的时空图路由方案,利用骨架节点之间的内在高阶关系。该模块与分类网络共同学习,更好地匹配动作识别任务。在图节点上提出了感受野,证明了之前模型的瓶颈是不同节点不平衡的感受野,证明了本文的时空图路由方案的有效性。原创 2022-10-27 15:39:55 · 1289 阅读 · 0 评论 -
论文超详细精读|八千字:AS-GCN
1. 引入了一个encoder-decoder(编码器-解码器)结构,称为**A -link** 推理模块(AIM),以捕获特定于动作的潜在依赖关系,即直接从动作中捕获活动链接,这样可以捕获更丰富的依赖关系。 2. 扩展了现有的骨架图,以表示高阶依赖关系,即**S-link** 结构链接。 3. 将这两种类型的link组合成一个广义的骨架图。原创 2022-10-22 16:16:42 · 2554 阅读 · 0 评论 -
论文超详细精读|万字:2s-AGCN
1. 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。**模型中的图的拓扑既可以统一地学习,也可以通过BP算法以端到端的方式单独学习。** 2. 提出了一种同时对**一阶和二阶信息(骨架的长度与方向)建模的双流框架**,在识别精度上有了显著的提高。 它将骨架数据的图结构参数化,并嵌入到网络中,与模型共同学习和更新。 3. 文章主要创新点有两个,一个是双流网络,另外一个是自适应。原创 2022-10-21 13:11:14 · 2941 阅读 · 3 评论 -
论文超详细精读|六千字:ST-GCN
提出了一个新的动态骨架模型,称为时空图卷积网络(ST-GCN),它通过自动从数据中学习空间和时间模式,传统的骨骼建模方法通常依赖于手工制作的部件或遍历规则,从而导致表达能力有限和泛化困难,ST-GCN则超越了以前方法的局限性。该公式不仅具有较强的表达能力,而且具有较强的泛化能力。原创 2022-10-20 16:43:48 · 1642 阅读 · 1 评论