- 博客(8)
- 收藏
- 关注
RSS订阅原创 2024cvprblockgcn
1、预定义的拓扑不能很好的捕获多层次的信息，可学习的经过反向传播训练的拓扑解决了这个问题，但是这样的拓扑同样丢失了原本的拓扑信息。造成的结果是gcn方法无法识别复杂的动作，出现了瓶颈。2、单个的邻接矩阵并不能捕获多种类型的交互，比如跑步过程中手和脚的相互作用来保持运动的平衡。
2024-05-22 18:44:40
283
1
原创 2020cvprSGNSemantics-Guided Neural Networks语义引导的神经网络
骨架信息分为语义信息和动力学信息动力学信息指3D坐标语义信息是指 关节类型和帧索引文章将语义信息和动力学信息结合，提出一个关节级模块和帧级模块提取提取空间特征和时间特征。
2024-05-08 12:07:13
159
原创 InfoGCN学习笔记
infogcn的贡献如下：信息瓶颈目标。我们引入了一个新颖的基于IB的学习目标，旨在学习一个有效的压缩行为的潜在表示。基于自注意力机制的图卷积。我们提出了一个SA - GC模块，在骨架的空间建模中推断上下文相关的内在拓扑结构。多模态表示。我们为模型集成提出了一种骨架的多模态表示，从而极大地改善了行为识别性能。**·经验验证。**大量的实验证明了我们工作的优势。在基于骨架的行为识别中，InfoGCN在3个数据集上都取得了最先进的性能。2022CVPR。
2024-04-25 16:36:43
649
1
原创 DGNN笔记
传统的基于骨架的行为识别方法主要侧重于设计手工特征来表示骨架[ 30、8]。随着基于深度学习方法的发展，基于数据驱动的方法成为主流。基于深度学习的方法中应用最广泛的模型是循环神经网络( RNNs )、卷积神经网络( CNNs )和图卷积网络( GCNs )，其中关节的坐标分别表示为向量序列、伪图像和图。对2s-AGCN的增强：现有的基于图的方法通常将骨骼表示为无向图，用两个独立的网络对骨骼和关节进行建模，不能充分挖掘关节和骨骼之间的这些依赖关系。
2024-04-02 15:12:48
188
1
原创 ASGCN学习笔记
骨架动作识别的最早尝试往往是将每帧中所有的身体关节点位置编码为一个特征向量，用于模式学习。这些模型很少探索身体关节之间的内部依赖关系，导致遗漏了丰富的动作信息。
2024-04-02 15:12:03
266
1
原创 潜在图神经网络学习笔记（Latent Graph Neural Networks for Human Skeleton-based Action Recognition）
在本文中，我们从一个新的角度来解决这个问题，通过将非结构化的骨架数据映射到潜在空间，如图2所示，这里称为潜在特征空间或嵌入空间，其中一组项嵌入在一个流形中[ 1 ]，并且在潜在空间中彼此更相似的项被放置在彼此更接近的位置。潜在空间中的位置可以被认为是由一组潜在变量定义的，这些潜在变量来源于对象的相似性。将骨架数据嵌入到流形中，消除了远近邻居之间的冗余依赖关系，以解决加权问题。得到具有多尺度聚合特征的稀疏图矩阵结构，以更好地理解骨骼关节的直接加权信息。
2024-03-25 19:35:09
253
原创 【无标题】
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、主要步骤二、代码1.引入库结果展示前言记录一下pyqt5界面显示人体姿态识别，环境配置win11+pycharm2023+torch2.2.1+cuda11.8 PyQt version: 5.15.10需要配置openpose 参考[https://blog.csdn.net/weixin_44003104/article/details/132685437?spm=1001.2014.3001.5506]一、
2024-03-11 18:55:50
812
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