Modulated Graph Convolutional Network for 3D Human Pose Estimation

论文主要改进普通图卷积的两个缺点。共享每个图卷积之间的特征变换，阻止了他们学习不同节点之间的不同关系。而且图是根据人体骨骼定义的，人类活动往往会表现出超出身体关节自然连接的运动，例如跑步时胳膊和腿之间的联系。论文提出了权重调节和亲和力调节（调整GCN中的图结构）。

一个图包含G={V,E}，V是N个节点，E是边。边之间的关系可以表示为邻接矩阵A∈ {0,1}N×N每个节点i有D维度的特征hi∈RD。所有节点的特征聚合起来就是H∈RD×N。图卷积按照以下进行聚合输入特征，H′=σ(WH˜A)。W是一个可学习的权重，σ是一个激活函数，例如RELU。但是这个等式中对于每个节点权重是共享的，每个节点对于周围节点的信息聚合的权重一样。有人提出对于每个节点设置不同的权重，h'=σ(Wjhjaij)，但是这样会显著增加模型大小。

        作者提出依然使用共享权重，但是增加v个调节矩阵加入计算，这些数据大小几乎可以忽略不计，但是可以为每个节点提供不同的权重。H=σ((M⊙W)HA）。如图中（c）所示。

亲和力调节：

 

 

 整体网络结构：