qq_33331451的博客

Spatial Temporal Transformer Network for Skeleton-based Action RecognitionAuthor and DepartmentChiara et. al. 米兰理工大学,意大利； 发表在上ICPR，2020.论文有代码，但是复现不正确，之后跟踪继续。目 录文章目录AbstractSummaryResearch Objective(s)/MotivationContributionBackground / Problem State

前言  最近Transformer很火，从NLP一直烧到了图像领域，不得不仔细研读一番。还记得初始看到Transformer在骨架识别应用是在2020年初疫情在家的时候，中科院Lei shi等人去除骨架中骨骼先验信息，采用Transformer自注意力寻找骨骼节点之间的关联性，当时感觉作者思路很惊奇。但是基于当时的理解，认为这仅仅是对Non-Local的一种泛化，没有细究，现在仔细想来，错过了一次技术热潮。算是一种教训，在今后学习中应该谨记，善于发现创新潮。本文为Transformer系列最原始文章，其

Deep Reinforcement Learning for Unsupervised Video Summarization with Diversity-Representativeness Rewardpaper: https://arxiv.org/abs/1801.00054code: https://github.com/KaiyangZhou/pytorch-vsumm-reinforceconference: AAAI 2018Abstract  视频摘要的目的是为了方便大规.

Continuous control with deep reinforcement learning(ICLR2016)https://arxiv.org/abs/1509.02971v2文章目录AbstractIntroductionAbstract   作者将Deep-Learning成功的应用于连续动作领域。作者提出了一个基于确定性策略梯度(deterministic policy gradient)的无模型(model-free)的角色批判(actor-critic)算法，它可以在连续.

Human-level control through deep reinforcement learning文章出处:Human-level control through deep reinforcement learning[J]. Nature, 2015, 518(7540):529.文章连接: 链接文章标题加*的不是原作者标题，是根据个人理解加上的Abstract*  强化学习理论关于agents如何优化对它们对环境的控制, 提供了一个规范的解释，强化学习理论深深植根于动物行为的心

基于骨骼动作识别的解耦时空注意网络paper：https://arxiv.org/abs/2007.03263文章目录AbstractIntroductionMethod3.1 Spatial-temporal attention module3.2 Decoupled Position encoding3.3 Spatial global regularization3.4 Complete attention module3.5 Overall architecture3.6 Dat.

Disentangling and Unifying Graph Convolutions for Skeleton-Based Action Recognition(CVPR2020)paper:https://arxiv.org/abs/2003.14111code:github.com/kenziyuliu/ms-g3d基于骨架动作识别的图卷积分解与统一AbstractIntroductionAbstract  基于骨架的动作识别算法中，时空图表示已广泛的应用于人体行为动力学的建模。为了.

基于红外和三维骨架特征融合的RGB-D动作识别文章目录AbstractIntroductionAbstract  基于骨架的动作识别面临的一个挑战是很难对相似运动和与物相关的动作进行分类。然而来自其他信息流的视觉信息在这方面有帮助。RGB数据对光照条件敏感，因此在黑暗中无法使用。为了缓解这一问题并仍然受益于可视流，作者提出了一个结合骨架和红外数据的模块化网络（FUSION）。采用二维卷积神经网络（CNN）作为姿态模块，从骨骼数据中提取特征。三维CNN被用作红外模块，从视频中提取视觉线索。然后，两个特征

  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 networkAbstract  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

  根据知乎文章所述，GSAPool是Top-k的收官之作，今来拜读。Structure-Feature based Graph Self-adaptive Pooling(WWW2020)文章目录AbstractIntroduceRelated workPROPOSED METHODSExperimentConclusionAbstract  近年来，人们提出了各种各样处理图数据的方法。然而，这些方法大多集中于图特征的aggregation而不是图池化。此外，现有的top-k选择图池化方法存在一

  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 workMethodExperimentsAbstractIntroductionRelated workMethodExper...

pytorch的resnet模块在torchvision的models中。里面可以选择的resnet类型有： _all_列表的每一个resnet都提供了实现的函数：def resnet18(pretrained=False, progress=True, **kwargs): """C...

目录AbstractIntroductionRelate workAbstract  以图形卷积网络（GCN）为核心的骨架数据的人体动作识别以其强大的非欧几里得结构数据建模能力而备受关注。然而，现有的许多GCN方法都是提供了一个预定义的图，并通过整个网络对其进行修正，导致丢失了隐式的关节关联。此外，主流的谱GCN近似为一阶hop，因此不涉及高阶连接。因此，探索一个更好的GCN体系结构需要付出...

  cv小白拜读Actional-Structural Graph Convolutional Networks for Skeleton-based Action Recognition(CVPR2019)，论文是在AAAI2018 ST-GCN的基础上进一步发展而来。论文结构调理清晰，源代码也已经给出，便于深入理解。Paper：Actional-Structural Graph Convol...

前言：传统的时序处理，普遍采用RNN做为基础网络模型，如其变体LSTM、GRU、BPTT等。但是在处理使用LSTM时时序的卷积神经网络目录论文及代码链接一、论文解读1、 摘要2、引言3、时序卷积神经网络(Temporal Convolutional Networks)3.1 因果卷积(Causal Convolution)3.2 膨胀卷积(Dilated Convolution)3.3 残差连...

目前，大多情况下，基本上都ubuntu 14.04.或者是ubuntu 16.04的操作系统安装以及GPU 环境搭建过程，很少ubuntu18.04的版本，安装一上午，均以失败告终，终于成功，现总结网上经验，记录安装过程。今天配置ubuntu18.04下的CUDA，出现了很多错误，真的快崩溃了，于是乎抱着试试的态度进行最后一遍尝试,最终实现。[非常感谢博主](https://blog.csdn....