机构名称：
¥ 1.0
摘要 - 图卷积网络（GCN）最近进行了研究，以利用人体的图形拓扑用于基于骨架的动作识别。然而，不幸的是，大多数这些方法是通过动摇的各种动作样本的易加色模式汇总信息，缺乏对级别内部品种的认识和对骨架序列的适当性，这些骨骼序列通常包含冗余甚至有害连接。在本文中，我们提出了一个新型的可变形图卷积网络（DEGCN），以适应性地捕获最有用的关节。拟议的DEGC在空间图和时间图上学习了可变形的采样位置，从而使模型能够感知歧视性接受领域。值得注意的是，考虑到人类的作用本质上是连续的，相应的时间特征是在连续的潜在空间中定义的。此外，我们设计了创新的多分支框架，该框架不仅在准确性和模型大小之间进行了更好的权衡，而且还可以显着提高集合的效果。广泛的实验表明，我们提出的方法在三个广泛使用的数据集上实现了最新的性能，即NTU RGB+D，NTU RGB+D 120和NW-UCLA。
DEGCN：基于骨架的动作识别的可变形图卷积网络
主要关键词
相关文件推荐
