该论文提出了一种解决骨架动作识别中长距离关系学习难题的方法，包括分离的多尺度聚合方案和统一的空间-时间图卷积模块（G3D）。通过创新的图卷积计算方式，有效处理了节点间距离对权重的影响，并增强了时空关系的学习。
使用GCN进行skeleton-based action recognition
Contribution
提出了两个设计：
- a disentangled multi-scale aggregation scheme
- a unified spatial-temporal graph convolutional module (G3D)
分别解决了两个问题：
- unbiased weight problem: edge weights will be biased towards closer nodes against further nodes，对于距离较远的两个节点，他们之间的feature share的效果比较轻微，由于距离太远，weight很难传过去。学习long-range relationship比较困难。例如：scale = 7，真正到距离为7的节点的几率是很小的 （这里没有完全理解）。（原始的multi-scale GCN见paper Actional-Structural Graph Convolutional Networks for Skeleton-based Action Recognition ）
- factorised spatial-temporal relationship learning: A typical approach is to extract spatial relationships at each time step and then model temporal dy
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
