图卷积相关论文解读 AAGCN

二、AAGCN

1、与ST-GCN相比的创新点。

      在说本篇论文的创新前，先说明一下ST-GCN的缺点。ST-GCN的注意力机制灵活性不够，掩码 𝑀𝑘 是与邻接矩阵直接相乘，这里说的相乘是按元素相乘，并不是矩阵相乘。这就造成一个现象，就是如果邻接矩阵 𝐴𝑘 里面部分元素为0，那么无论 𝑀𝑘 对应元素为何值，最后结果都是0。换句话说就是不会创造不存在的连接，比如对于“行走”动作，手和腿的联系很大，但是手和腿没有直接相连，所以效果不好。ST-GCN的第二个缺点就是没有利用骨骼数据的第二特征，这里第一特征就是关节坐标，第二特征就是骨骼的长度和方向。直觉上，第二特征也包含了丰富的行为信息。

      在AAGCN中，（1）提出了自适应的图卷积网络，也就是引入了两个额外的参数化（可学习）的邻接矩阵，这两个矩阵分别用来：Bk学习所有数据中的共同模式（也就是所有数据中统一的共性关注点）；Ck 学习单个数据中独有的模式（也就是每个数据中独有的关注点）；（2）注意力机制的改进；（3）二阶信息的提取和多流机制。

2、自适应图卷积神经网络

     自适应图神经网络与ST-GCN的区别之一在于引入了参数化，可学习的邻接矩阵𝐵𝑘与𝐶𝑘。这样的邻接矩阵可以解决STGCN中骨架拓扑结构固定的问题。

      

 

    可见，除了最基本的邻接矩阵𝐴𝑘外，作者还引入了两个可学习的邻接矩阵𝐵𝑘与𝐶𝑘。这里的𝐵𝑘与STGCN中的Learnable edge importance weight相似，是一个参数化的𝑁×𝑁