LoveKKarlie_的博客

原创 【无标题】

一些文章

原创 modbus slave

Modbus Poll ：Modbus主机仿真器，用于测试和调试Modbus从设备。该软件支持ModbusRTU、ASCII、TCP/IP。用来帮助开发人员测试Modbus从设备，或者其它Modbus协议的测试和仿真。它支持多文档接口，即，可以同时监视多个从设备/数据域。每个窗口简单地设定从设备ID，功能，地址，大小和轮询间隔。你可以从任意一个窗口读写寄存器和线圈。如果你想改变一个单独的寄存器，简单地双击这个值即可。或者你可以改变多个寄存器/线圈值。提供数据的多种格式方式，比如浮点、双精度、长整型（可以字节

原创 三菱PLC

三菱PLCGX Works2：GX Works2软件下载用户安装使用手册

原创 MODBUS TCP

Modbus TCP 客户端和服务器 master & server客户端是信息的接收端，服务端是是信息的发送端，一个服务端可以对应多个接收端。client端：import sysimport loggingimport modbus_tkimport modbus_tk.defines as cstimport modbus_tk.modbus_tcp as modbus_tcpLOGGER = modbus_tk.utils.create_logger("console")de

原创 dlib；blazeface人脸检测

dlib人脸检测import osimport dlibimport numpy as npimport cv2def mkdir_for_save_images(img_path_save): if not os.path.isdir(img_path_save): os.mkdir(img_path_save)def clear_images(img_path_save): img_list = os.listdir(img_path_save)

原创 An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling

Multi-Scale Spatial Temporal Graph Neural Network for Skeleton-Based Action Recognition

原创 ResidualGCN

Stronger, Faster and More Explainable: A Graph Convolutional Baseline for Skeleton-based Action RecognitionACMMM2020提出一个baseline，聚合三个主要改进，fused Multiple Input Branches(MIB)，residual GCN(ResGCN) with bottleneck structure，Part-wise Attention(PartAtt)。MIB丰

原创 SEBlock、SKNet、non-local、GloRe、Octave

SEBlockSEBlock文章地址代码地址文章专注于通道关系，提出SE block，将这些块堆叠在一起，SENet。SKNetSKNet文章地址non-localnon-local文章地址GloReGloRe文章地址OctaveOctave文章地址

原创 ResNeXt

Aggregated Residual Transformations for Deep Neural Networks文章地址https://arxiv.org/abs/1611.05431代码地址https://github.com/miraclewkf/ResNeXt-PyTorch采用VGG/ResNet的重复层策略，同时以简单的、可扩展的方式利用split-transform-merge策略。但是扩展性强。每个被聚合的拓扑结构都是一样的(这也是和 Inception 的差别，减轻设计负担)

原创 GCNet: Non-local Networks Meet Squeeze-Excitation Networks and Beyond

GCNet: Non-local Networks Meet Squeeze-Excitation Networks and Beyond文章地址https://arxiv.org/pdf/1904.11492.pdf代码地址https://github.com/xvjiarui/GCNet设计了一个更好的实例化，global context (GC) block，轻量级。统一简化的NL块和SE块：（a）将所有位置的特征聚合在一起以形成全局上下文特征; （b）一个特征变换模块，用于捕获频道明智的相

原创 DGL GAT

GATDGL documentDGL GATDGL官方教程GAT# Case 1: Homogeneous graphpip install dglimport dglimport numpy as npimport torch as thfrom dgl.nn import GATConvg = dgl.graph(([0,1,2,3,2,5], [1,2,3,4,0,3]))# print(g)# print(g.nodes())# print(g.edges())g =

原创 GAT：GRAPH ATTENTION NETWORKS

GRAPH ATTENTION NETWORKSICLR2018利用masked self-attentional layers来解决基于图卷积或其近似的先前方法的缺点。通过堆叠节点能够参加邻域特征的层，隐式的向邻域中不同节点指定不同权重，不需要任何类型的高耗的矩阵操作（例如反转）或者屈居于了解图表结构前期...

原创 CNN时间序列异常检测——Time Series Anomaly Detection Using Convolutional Neural Networks and Transfer Learning

Time Series Anomaly Detection Using Convolutional Neural Networks and Transfer Learning使用卷积神经网络和转移学习的时间序列异常检测2019时间序列异常检测在自动化监控系统中发挥着关键作用。与时间序列异常检测相关的最先前的深度学习努力基于经常性的神经网络（RNN）。文章提出了一种基于卷积神经网络（CNN）的时间序列分割方法进行异常检测。此外，提出了一种转移学习框架，其在大规模合成单变量时间序列数据集上预先绘制模型，

原创 MS-G3D代码

Disentangling and Unifying Graph Convolutions for Skeleton-Based Action RecognitionCVPR2020论文地址代码地址博客链接MS-TCN：ms-tcn.pyclass MultiScale_TemporalConv：

原创 角度作为第三阶特征：Leveraging Third-Order Features in Skeleton-Based Action Recognition

提出了角度距离特征形式的三阶表示以及它们的速度。它们捕获身体部位之间的相对运动，同时保持对不同人体尺寸的不变性。

原创 Gated Adversarial Transformer (GAT)

Enhancing Transformer for Video Understanding Using Gated Multi-Level Attention and Temporal Adversarial Training使用门控多级注意力和时间对抗训练增强transformer进行视频理解CVPR2021

原创 shift-GCN：Skeleton-Based Action Recognition with Shift Graph Convolutional Network

shift-GCN。大幅度减少计算成本。最高

原创 Dynamic GCN：Dynamic GCN: Context-enriched Topology Learning for Skeleton-based Action Recognition

Dynamic GCN: Context-enriched Topology Learning for Skeleton-based Action Recognition动态GCN(Dynamic GCN)，引入一个新的CNN命名为context-encoding network(CeN)来自动学习骨架拓扑图。特别地，当学习两个关节之间的依赖性时，剩余关节的上下文特征以全局的方式整合。CeN是极轻量级但是有效，还可以被嵌入图卷积层。通过堆叠多个CeN的图卷积层，构建dynamic GCN。

原创 RA-GCN：Richly Activated Graph Convolutional Network for Robust Skeleton-based Action Recognition

baseline：ST-GCNRA-GCN学习特征，增强对抖动或者含噪、不完整骨骼鲁棒性。

原创 DGNN：Skeleton-Based Action Recognition with Directed Graph Neural Networks

Skeleton-Based Action Recognition with Directed Graph Neural NetworksCVPR2019基于骨架的有向图神经网络动作识别主要内容：将关节和骨骼信息表示为一个有向无环图，并设计了一个定制的新型有向图神经网络(DGNN)来基于构建的图预测动作。使用图形结构自适应以更好地适应多层架构和识别任务。此外，提取连续帧之间的运动信息来建模骨架序列的时间信息，并且在两个流框架中融合空间和运动信息。最终的模型在两个大规模数据集上超过了当前最先进的性能。

原创 STIGCN：Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition

STIGCN：Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition时空初始图卷积网络用于基于骨骼的动作识别CVPR2020。

原创 G-TAD: Sub-Graph Localization for Temporal Action Detection

G-TAD: Sub-Graph Localization for Temporal Action Detection；G-TAD：用于时间动作检测的子图本地化；CVPR2020。文章提出了一种图卷积网络（GCN）模型，以将多级语义上下文自适应地合并到视频特征中，并将时间动作检测作为子图定位问题。将视频片段公式化为图形节点，将片段-片段相关性公式化为边缘，将与上下文关联的动作公式化为目标子图。设计了一个称为GCNeXt的GCN块，该块通过聚合每个节点的上下文来学习每个节点特征并动态更新边。

原创 MS-AAGCN：Skeleton-Based Action Recognition with Multi-Stream Adaptive Graph Convolutional Networks

Skeleton-Based Action Recognition with Multi-Stream Adaptive Graph Convolutional Networks；CVPR2019；基于骨架的多流自适应图卷积网络动作识别。2s-AGCN的改进，加入了注意力机制自适应，加入了运动信息多流。

原创 【论文学习】AGC-LSTM：An Attention Enhanced Graph Convolutional LSTM Network for Skeleton-Based Action Reco

An Attention Enhanced Graph Convolutional LSTM Network for Skeleton-Based Action RecognitionCVPR2019AGC-LSTM基于骨架的注意力增强图卷积LSTM网络行为识别方法。第一个将GCN和LSTM结合。

原创 【论文学习】2s-AGCN：Two-Stream Adaptive Graph Convolutional Networks for Skeleton-Based Action Recognition

Two-Stream Adaptive Graph Convolutional Networks for Skeleton-Based Action Recognition；CVPR2019；基于骨架的动作识别的两流自适应图卷积网络。2s-AGCN

原创 【论文学习】ST-GCN：Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition

Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition；AAAI2018；基于skeleton动作识别的时空图卷积网络；提出了一种基于图的神经网络动态骨架建模方法时空图卷积网络ST-GCN；针对骨架建模的具体要求，提出了ST-GCN中卷积核的设计原则。

原创 【论文学习】圆柱坐标：A New Representation of Skeleton Sequences for 3D Action Recognition

A New Representation of Skeleton Sequences for 3D Action Recognition，CVPR2017，圆柱坐标。首先将每个骨架序列转换为三个片段，每个片段由数个帧组成，用于使用深度神经网络进行空间时态特征学习。每个片段都是从骨架序列的圆柱坐标的一个通道生成的。生成的片段的每一帧表示整个骨骼序列的时间信息，并在关节之间合并了一种特定的空间关系。整个片段包括具有不同空间关系的多个帧，这些帧提供了人体骨骼的有用空间结构信息。

原创 【论文学习】TE-GCN：Temporal Graph Modeling for Skeleton-based Action Recognition

Temporal Graph Modeling for Skeleton-based Action Recognition；CVPR2020，基于骨架的动作识别的时间图建模。文章提出了一种时间增强图卷积网络Temporal Enhanced Graph Convolutional Network (TE-GCN)来解决此限制——构造时间关系图以捕获复杂的时间动态。具体而言，构造的时间关系图显式地建立语义相关的时间特征之间的连接，以对相邻时间步和非相邻时间步之间的时间关系建模。设计了多头机制来研究多种时间关系

原创 【论文学习】MS-TGN：Multi scale temporal graph networks for skeleton-based action recognition

Multi scale temporal graph networks for skeleton-based action recognition基于骨架的动作识别的多尺度时间图网络Computer Science & Information Technology (CS & IT)2020。提出了MS-TGN模型，该模型主要有两个创新：一种同时提取时间和空间特征的称为TGN的模型，以及一种同时获取局部特征和轮廓特征的多尺度图策略。

原创 【论文学习】CGCN：Centrality Graph Convolutional Networks for Skeleton-based Action Recognition

Centrality Graph Convolutional Networks for Skeleton-based Action Recognition；CVPR2020；基于骨架的动作识别的中心图卷积网络。第一个考虑到图卷积中心性的，CGCN是第一个突出中心结构的工作，例如人体动作的关键关节，骨骼和身体部位。它旨在发现人体骨骼的物理连接和非连接部分之间被忽略的信息。

原创 【论文笔记】ST-TR：Skeleton-based Action Recognition via Spatial and Temporal Transformer Networks

Skeleton-based Action Recognition via Spatial and Temporal Transformer Networks基于骨骼通过时空变换网络的行为识别，CVPR2020。时空变换网络ST-TR：基于双流的Transformer-based模型；spatial self-attention(SSA)：用于了解不同身体部位之间的帧内交互；temporal self-attention(TSA)：用于对帧内相关性进行建模；研究关节随时间的动力学。

原创 【论文笔记】NAS-GCN

MAS-GCN——Learning Graph Convolutional Network for Skeleton-Based Human Action Recognition by Neural Searching通过神经搜索学习图卷积网络用于基于骨骼的人体动作识别，AAAI 2020。NAS-GCN：将Neural Architecture Search (NAS)引入GCN，探索节点之间的时空相关性并建立具有多个动态图模块的搜索空间。引入了多跳模块，希望突破一阶逼近对表示能力的限制。

原创 【论文笔记】NTU RGB+D

NTU RGB+D数据集

原创 【论文笔记】Group-Skeleton-Based Human Action Recognition in Complex Events

一种新的基于GCN的算法GS-GCN，用于复杂事件中的动作识别，针对复杂事件挑战中大规模以人为中心的视频分析的解决方案。与仅考虑单个人的行为的常规方法不同，所提出的方法研究了不同人之间的潜在行为关系。使用多个MS-G3D从多个人中同时提取骨骼特征。由于近距离的人可以具有更强的动作关系，因此使用MLP将距离值嵌入到提取的特征中。经过特征融合步骤后，对焦点损失进行训练，以对不同的动作进行分类。第一个将群组骨架数据与GCN结合起来以进行动作识别。

原创 【论文笔记】AdderNet: Do We Really Need Multiplications in Deep Learning?

AdderNets来交换深度神经网络（尤其是CNN）中这些大规模乘法运算，以更简单的加法来减少计算成本。

原创 【持续更新】action recognition论文学习

原创 【论文笔记】2020行为识别综述A Survey on 3D Skeleton-Based Action Recognition Using Learning Method

2020行为识别综述，基于深度学习方法的三维骨骼动作识别综述。这是第一个对使用3D骨架数据的基于深度学习的动作识别进行全面讨论的研究。

原创 【论文笔记】MS-G3D：Disentangling and Unifying Graph Convolutions for Skeleton-Based Action Recognition

提出一种分解(disentangle)多尺度图卷积的简单方法；提出统一的时空图卷积算子G3D；融合两种方法——MS-G3D，强大的特征提取器，具有跨时空的多尺度感受野。