- 博客(5)
- 收藏
- 关注
RSS订阅原创 STA-GCN代码复现简述
之后在运行的时候可能会出现torch以及torchlight版本不一致导致的报错，可能还需要对这几个版本进行调整，下面给出笔者的环境版本以供参考。这个代码主要使用的数据集是NTU RGB+D 60和NTU RGB+D 120这两个共有数据集，可以到下面这个地址去下载数据集。代码中给出了环境配置的文件requirements.txt，我们可以运行下面这行命令来进行相关环境的安装。下面以NTU RGB+D 60 cross subject为例来展示训练和测试的命令。要整合不同模态的结果，运行下面的命令。
2025-04-09 08:56:36
851
2
原创 SaPR-GCN论文浅析
本工作提出基于解剖学先验的动态部位划分方法，将人体骨架拆解为头部、躯干、四肢等8个语义部位，通过可学习的部位内与跨部位关系建模（M1 和M2） 重构细粒度关节拓扑结构。该方法利用全局掩码和部位-关节映射动态增强关键连接（如手部与头部的交互权重），同时抑制冗余关联。
2025-03-21 09:19:51
1358
原创 MST-GCN论文浅析
传统图卷积是局部操作，在空间维度上主要利用短距离关节依赖，难以直接建模对区分动作至关重要的远距离关节关系。例如，不同动作需要不同身体部位的协调，像 “行走” 需全身协调保持平衡，“挥手” 仅需手部动作，识别这些动作需要捕获不同范围关节间的依赖关系，但现有方法在这方面存在欠缺。
2025-03-13 15:28:24
809
原创 MAN论文浅析
针对 SISR 任务中低分辨率(LR)图像对应无数潜在高分辨率(HR)图像导致难以寻找 LR 和 HR 像素正确相关性的病态问题，探索如何有效利用先验和图像内信息，提高模型重建的准确性，以更好地还原图像的高频信息。在提升模型性能的同时，避免因采用大规模数据集训练、复杂网络拓扑或深度扩展等方式带来的过高计算成本和训练负担。克服现有注意力机制无法同时获取局部信息和长距离依赖，且多在固定感受野下考虑注意力图的局限性。
2025-01-07 15:12:01
1701
原创 2S-AGCN论文浅析
2）GCN的结构是分层的且不同层包含多级语义信息，但是ST-GCN中的图拓扑结构是固定的，缺乏灵活性和对包含在所有层中的多级语义信息建模的能力。2)在时间维度上，两个相邻帧之间的对应关节用时间边连接（图 1 左侧的蓝线）。1）ST-GCN采用的骨骼图是启发式预定义的，且仅表示人体的物理结构，很难捕获诸如双手之间的依赖关系。1)在空间维度上，关节表示为顶点，它们在人体中的自然连接表示为空间边（图 1 左侧的橙色线条）。1）目前基于GCN的拓扑结构是手动设置的，且在所有层和输入样本上是固定的。
2024-11-09 17:21:26
1819
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人