![](https://img-blog.csdnimg.cn/4698746346b347e5839815cc17e9d9ba.jpeg?x-oss-process=image/resize,m_fixed,h_224,w_224)
基于骨骼的动作识别
文章平均质量分 96
基于骨骼的动作识别论文,分为 GCN 论文 和 C3D 论文 两个方向,分别讲解原论文及代码,收藏级别讲解。原创不易,如果对你有帮助的话,那就请我喝三杯水果茶吧 ~
优惠券已抵扣
余额抵扣
还需支付
¥29.90
¥99.00
购买须知?
本专栏为图文内容,最终完结不会低于15篇文章。
订阅专栏,享有专栏所有文章阅读权限。
本专栏为虚拟商品,基于网络商品和虚拟商品的性质和特征,专栏一经购买无正当理由不予退款,不支持升级,敬请谅解。
一杯水果茶!
浪迹江湖,特立独行。潇洒不羁,厌恶世俗。有礼有节,待人真诚。
认真专注,热爱学习。尊师重道,不耻下问。有品位,有格调。
感兴趣的事无论如何也要去做,不感兴趣的事谁说也没用。
展开
-
用于骨骼动作识别的卷积网络模型——综述
基于骨架的动作识别根据网络结构可分为: - CNN(主要是时域卷积TCN) - RNN(主要是LSTM) - GCN(如经典的ST-GCN,CTR-GCN)其中以基于 GCN 的方法最为主流。PoseC3D 首先分析了 GCN 的局限性,然后提出了一种基于三维卷积,即 C3D 的方法。原创 2023-09-03 02:21:02 · 593 阅读 · 0 评论 -
ST-GCN 论文解读
通过将图神经网络扩展到时空图模型,设计一种用于动作识别的骨架序列的通用表示,称为时空图卷积网络(ST-GCN)。原创 2023-04-09 10:40:41 · 1937 阅读 · 0 评论 -
ST-GCN 代码解读
ST-GCN 代码解读原创 2023-04-12 23:05:05 · 739 阅读 · 0 评论 -
AS-GCN 论文解读
为了捕捉更丰富的依赖关系,我们引入了编码器-解码器结构,称为 A-link 推断模块,直接从动作中捕捉动作特定的潜在依赖关系,即动作链接。我们还扩展了现有的骨骼图以表示更高阶的依赖关系,即结构链接。将这两种链接组合成一个通用的骨骼图,他们进一步提出了动作-结构图卷积网络(AS-GCN)原创 2023-04-09 10:52:04 · 1024 阅读 · 0 评论 -
2s-AGCN 论文解读
提出了一种自适应图卷积网络,以端到端的方式自适应学习不同 GCN 层和骨架样本的图拓扑,能够更好地适应动作识别任务和 GCN 的层次结构。采用双流框架将骨架数据的二阶信显式表述并与一阶信息相结合,显著提高了识别性能。原创 2023-04-09 11:24:48 · 810 阅读 · 0 评论 -
2s-AGCN 代码理解
2s-AGCN 代码理解原创 2023-04-16 10:48:11 · 1164 阅读 · 5 评论 -
MS-AAGCN 论文解读
提出了一种新的多流注意力增强自适应图卷积神经网络(MS-AAGCN)用于基于骨骼的动作识别。该模型中使用的骨架数据的图拓扑被参数化并嵌入到网络中,与其他参数共同学习和更新。此外,在每个图卷积层中都嵌入了 STC-attention 模块,使模型更加关注重要的节点、帧和特征。原创 2023-04-09 16:40:54 · 795 阅读 · 0 评论 -
CTR-GCN 论文解读
提出了一种信道拓扑优化图卷积,该卷积可以动态有效地对信道拓扑进行建模。共享拓扑是一个参数化的邻接矩阵,作为所有通道的拓扑先验,并提供顶点之间的一般相关性。通过使用特定于通道的相关性细化共享拓扑,CTR-GC 获得了通道拓扑。原创 2023-04-11 16:51:53 · 1700 阅读 · 0 评论 -
CTR-GCN 代码理解
CTR-GCN 代码理解原创 2023-04-21 13:06:27 · 1752 阅读 · 0 评论 -
PoseC3D 基于人体姿态的动作识别新范式
PoseC3D 和 PoseConv3D 都是基于人体姿态的动作识别的论文,它们都使用了三维卷积网络来处理骨骼点转换后的热图堆叠,而不是使用图卷积网络来处理骨骼点序列。它们都在多个数据集上取得了很好的效果,超越了之前的基于 GCN 的方法。原创 2023-09-03 02:16:20 · 1556 阅读 · 0 评论