潜在图神经网络学习笔记（Latent Graph Neural Networks for Human Skeleton-based Action Recognition）

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

潜在图神经网络学习笔记（Latent Graph Neural Networks for Human Skeleton-based Action Recognition）

---

前言

我们的方法涉及设计一个具有高k值的长期时空模型，以有效地捕获潜在时空域内的动作信息，从而表示骨架序列的时空动态
为了增强远距离节点之间的特征信息并解决冗余信息，我们在隐空间中引入了成对距离归一化操作。这种操作促进了LGNN的形成，其中两个基本的LGNN流无缝地合并到一个网络中，从而实现了端到端的训练。

文章内容

1.前言

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。
在过去[ 2 ]中，平滑往往发生在卷积操作下，产生了大量的冗余信息，而过多的堆叠网络层数会导致较差的性能。我们对潜在空间中的图书数据进行成对距离归一化操作，减少了过平滑现象的发生，提高了我们实验中的识别性能。
以下是我们的主要贡献：