a1013552415的博客

Introduction 目前很多图卷积网络的各种变种都是有效的，然而他们大多以局部的方式实现卷积操作，仅仅从中心节点小范围的邻居提取特征。大的感受野有益于把关节动作作为一个整体来理解。堆叠多重图卷积层是一种直接增加感受野的方式，但他的缺点是容易多度很衡量目标的优势，在堆叠多层卷积时，场长范围的依赖必须被解决，最重要的是远距离的的关节只能通过中间关节进卷积层间接的与其他关节产生联系，这阻碍了信息的交换，而且带来了多余的计算。 因此我们提出了CA-GCN，我们提出了不同的方法来计算关节间的联系，能显著的获得长

Introduction 作者认为解决如下两个问题能有效增强GCN在动作识别中的能力： 1.在人类骨骼的不同部位中有着时空关联性，但这些关联性是动态的，而且在时空域中不同的动作关联性也是不同的。因此提取这些关联性很困难，标椎卷积操作普遍采纳的传统GCN是静态的，而且仅仅描述了邻居节点的空间联系，因而不能准确的获得这样的动态时空联系。 2.骨骼的空间层次结构和运动的时间序列特性都编码了顺序信息，这在动作识别中是重要的。但是大多数现存的ST图（spatial-temporal graph）模型描述动作使用的是无