【论文笔记】CVPR2020 Skeleton-Based Action Recognition with Shift Graph Convolutional Network

最新推荐文章于 2024-04-14 09:35:43 发布
最新推荐文章于 2024-04-14 09:35:43 发布
阅读量1.8k 收藏 13
点赞数
分类专栏： 论文笔记 文章标签： 机器学习 人工智能 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/gitcat/article/details/107001381
版权
该论文提出shift-GCN方法，通过空间和时间平移图卷积操作降低计算复杂度，解决GCN方法的预定义感受野问题。shift-GCN在NTU数据集上实现精度提升并显著降低计算成本。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

用图卷积做action recogntion
在这里插入图片描述

Contribution

  • 提出了shift-GCN（spatial shift graph operations & temporal shift graph operations）that exceeds the state-of-the-art methods with more than 10× less computational cost，主要解决了过去工作的两个问题
    1. heavy computational complexity of GCN-based methods
    2. inflexible and predefined receptive fields of both spatial graph and temporal graph

Methods

作者灵感来源是shift-CNNs，分别就 spatial GCN 和 temporal GCN 提出新的想法，各自提了2个：

  • two kinds of spatial shift graph operation
    在这里插入图片描述

    1. local shift graph operation
      让physically-connected nodes 之间进行信息shift，然后再用1x1conv 来进行channel与chan

最低0.47元/天 解锁文章
论文笔记-Skeleton-Based Action Recognition with Shift Graph Convolutional Network
Lyndsey的博客
11-12 761
转眼来到了论文阅读计划的第七天啦～（存货也日益耗尽啦 大家如果有看到不错的论文，也推荐我来看看～嘻嘻嘻别人都是剧荒、小说荒，我们一起论文荒哈哈哈哈哈 平时我主要是根据自己的论文需求来看论文，所以覆盖面相对就比较狭窄，所以欢迎大家来扩充我的认知库！！！ 今天介绍一篇在提升准确率的同时，大大优化性能、效率的一篇论文。 一、题目关键词解读 shift: 转换、移位 二、研究背景 本文也是基于ST-GCN这篇论文来改进的，之前绝大多数论文都在疯狂提升NTU数据集的准确率，极少有人关注效率这块。目前准确率已经很难再继
shift-GCN：Skeleton-Based Action Recognition with Shift Graph Convolutional Network
LoveKKarlie_的博客
04-09 1530
shift-GCN。大幅度减少计算成本。最高
阅读Skeleton-Based Action Recognition with Shift Graph Convolutional Network(CVPR2020)
qq_33331451的博客
06-20 4014
  最近有点事儿，没有继续写，连emsp缩进都想了半天，实属不该。最近CVPR2020一篇文章引起了注意。特来拜读，如有错误，希望指正。 基于shift图卷积网络的骨架动作识别 目录基于shift图卷积网络的骨架动作识别Abstract1.Introduction2. Preliminaries2.1 基于GCN的骨骼动作识别2.2. Shift CNNs3. Shift graph convolutional network Abstract   利用骨骼数据进行动作识别是计算机视觉领域的研究热点。近年来
Skeleton-Based Action Recognition with Shift Graph Convolutional Network
qq_37296817的博客
03-11 1624
基于shift图卷积网络的骨架动作识别 https://blog.youkuaiyun.com/qq_33331451/article/details/106860828 Abstract 利用骨骼数据进行动作识别是计算机视觉领域的研究热点。近年来，将人体骨骼建模为时空图的图卷积网络（GCNs）取得了显著的性能。然而，基于GCN方法的计算复杂度相当高，通常一个动作样本的计算复杂度超过15 GFLOPs。最近的作品甚至达到100 GFLOPs。另一个缺点是空间图和时间图的感受野都不灵活。虽然一些工作通过引入增量式自适应模
论文翻译：Skeleton-Based Action Recognition with Directed Graph Neural Networks
com_fang_bean的博客
07-24 1397
骨架数据由于能够较好地适应动态环境和复杂背景，在动作识别任务中得到了广泛的应用。在现有的方法中，骨骼数据中的关节和骨骼信息都被证明对动作识别任务有很大的帮助。然而，如何将这两种类型的数据结合在一起，最大限度地利用关节和骨骼之间的关系，仍然是一个有待解决的问题。在这项工作中，我们将骨骼数据表示为基于关节和骨骼之间的运动学依赖i的有向无环图(DAG)设计了一种新型有向图神经网络，用于提取关节、骨骼及其关系信息，并根据提取的特征进行预测。此外，为了更好地拟合动作识别任务，根据训练过程对图的拓扑结构进行自...
MS-AAGCN：Skeleton-Based Action Recognition with Multi-Stream Adaptive Graph Convolutional Networks
LoveKKarlie_的博客
03-22 3248
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。
【论文学习】2s-AGCN：Two-Stream Adaptive Graph Convolutional Networks for Skeleton-Based Action Recognition
LoveKKarlie_的博客
03-04 3297
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
【论文笔记】ST-TR：Skeleton-based Action Recognition via Spatial and Temporal Transformer Networks
LoveKKarlie_的博客
02-16 4461
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。
Skeleton-Based Action Recognition with Directed Graph Neural Networks---论文笔记
mei1318874404的博客
03-06 1626
记录一下这周看的论文。 论文名称–《通过有向图神经网络的基于骨架的姿态识别》 1.引言： 对于现在来说，最主要的有3中方法，RNN,CNN,GCN,分别通过序列向量，伪图像，和图来表示各个关节之间的联系。就是说对于骨架，分为关节和骨头，所以如果我们能够在姿态识别的过程中，把关节和各个骨头之间的关系都考虑进去，其实我们会发现对识别有很大很大的提高。现存的基于图的模型，它的关节和骨头的模型是2个相互分...
DGNN：Skeleton-Based Action Recognition with Directed Graph Neural Networks
LoveKKarlie_的博客
03-30 1608
Skeleton-Based Action Recognition with Directed Graph Neural Networks CVPR2019 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。
AAAI2018||ST-GCN：Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition
qq_36756312的博客
11-16 6225
在本博客中，我将对骨架动作识别任务中应用图卷积的开山之作ST-GCN进行重述，其中会参杂个人的理解。本篇博客内容为本人研究生阶段结课作业与论文部分内容，因此改进部分暂时未上传；本篇博客旨在于广大同学一起分享讨论于进步，请勿私自转载。 在文末将会对ST-GCN中的图卷积代码进行图画阐述。后续可能会更新代码讲解。 一、摘要 在基于骨架的动作识别任务中，动态的人体骨架具有该任务所需的重要信息，然而以往传统的方法通常使用手工特征或遍历规则对骨架进行建模，不仅限制了模型表达能力还使得模型泛化困难；因此作者提出了
【论文阅读】Skeleton Based Action Recognition with Convolutional Neural Network
zzmshuai的博客
07-19 1242
【论文阅读】Skeleton Based Action Recognition with Convolutional Neural Network 这是基于骨骼的行为识别方法中，使用时空编码图的开山之作，后续还会介绍许多使用时空编码图的方法。 正文 整个方法的结构很简单，如上图所示，首先将骨骼序列编码为一张时空编码图，然后将时空编码图输入到卷积神经网络中，得到行为类别的识别结果。 时空编码图的构...
探索Awesome Skeleton-based Action Recognition: 深度学习驱动的动作识别新纪元
最新发布
gitblog_00057的博客
04-14 484
探索Awesome Skeleton-based Action Recognition: 深度学习驱动的动作识别新纪元 去发现同类优质开源项目:https://gitcode.com/ 在这个链接中， 是一个聚焦于骨架信息进行动作识别的研究和实践资源库。它是一个集大成者，整合了各种深度学习模型、数据集和工具，旨在帮助开发者和研究人员更好地理解和应用这一领域。 项目简介 该项目的核心在于利用人体骨骼...
阅读Skeleton-Based Action Recognition with Multi-Stream Adaptive Graph Convolutional Networks
qq_33331451的博客
04-03 4040
前言：最近在阅读论文源码，发现2s-GCN中的源码中有两个net。其中agcn是2s-GCN的源码，aagcn(attention&adaptive)则是本文的源码。说实话，改进不大，但当时看了半天，和原论文对不上，之后在github的issue上作者也进行了解释。 目录AbstractIntroductionRelated WorkGRAPH CONVOLUTIONAL NETWORKS...
阅读Skeleton-Based Action Recognition with Directed Graph Neural Networks(CVPR2019)
qq_33331451的博客
04-24 2524
  Skeleton-Based Action Recognition with Directed Graph Neural Networks是Lei Shi等人的另一篇文章，和之前的双流图卷积以及 目录AbstractIntroductionRelated workMethodExperiments Abstract Introduction Related work Method Exper...
An Attention Enhanced Graph Convolutional LSTM Network for Skeleton-Based Action Recognition
CSS360的博客
06-30 2880
论文链接：https://arxiv.org/pdf/1902.09130.pdf 摘要 基于骨架的动作识别是一个非常重要的任务，需要足够的理解移动特点一个人活动，从给定的骨架序列。最近的研究已经展示，探索空间和时间的特征在骨架序列上，是非常重要的对于这个任务。尽管，如何去有效去提取有判断力的空间和时间特征仍然是一个具有挑战的问题。在这篇文章中，我们提出一个新颖的注意增强图卷积L...
浅谈对Skeleton-Based Action Recognition with Directed Graph Neural Networks，基于骨架的有向图神经网络动作识别理解
com_fang_bean的博客
07-25 2061
作者提出因为骨骼数据中的关节和骨骼信息对动作识别任务都有很大的帮助，所以研究出一种利用关节和骨骼之间的关系即人体骨头的方向和长度还有与关节点坐标信息的互补来完成一个动作识别的任务非常具有优势。作者首次将骨骼数据表示为一种有向无环图。在骨骼中引入方向进一步挖掘出骨骼，关节与动作识别之间的关系。并且还设计了一个相对应的有向图卷积网络。因为数据集是原始骨架数据是一系列帧，每个帧都包含一组关节坐标。给定骨骼序列，和关节的二维或三维坐标。作者会先把将每个帧中的关节和骨骼（空间信息）表示为有向无环图中的顶点和边缘。并将
论文笔记-Richly Activated Graph Convolutional Network for Robust Skeleton-based Action Recognition
Lyndsey的博客
11-10 742
Hello，今天是论文阅读计划的第5天啦。 今天这篇论文比较简单，没有什么特别复杂的技术。 一、论文题目关键词提取 Richly：丰富地。为什么称之丰富的呢？丰富地激活了什么呢？ Robust： 鲁棒的。提取的特征更具备鲁棒性？ 带着疑问往下阅读。 二、研究背景 这个NTU数据集上目前都是直接识别分类的，但实际真实情况下，会出现物体遮挡、自遮挡等情况。现有的算法在缺失的情况下，性能下降非常多非常快。本篇论文的Baseline是ST-GCN。 三、研究目标 & 内容 目标：提升ST-GCN的准确率，在
基于遥感影像的道路提取论文、开源代码和数据集汇总
热门推荐
如果想成为中心，那么就到中心去吧。
02-05 3万+
文章目录2019RoadNet: 2019 RoadNet: code: https://github.com/yhlleo/RoadNet 论文的贡献 该文提出了一个多任务像素端到端CNN，道路网，以同时预测路面，边缘和中心线。 道路网自动学习多尺度和多级特征，并在一个专门设计的级联网络中进行整体训练，可以处理各种场景和尺度的道路。 上述子任务在训练阶段是相关的，其中路面分割的预测被应用于道路边缘检测和道路中心线提取。 一方面，精细的路面分割有利于道路边缘检测和道路中心线提取，这可以看作是具有少数复杂背
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值