基于核的图卷积网络动作识别
计算机视觉与模式识别
2020-12-29 v1
摘要
学习图卷积网络 (GCN) 是一个新兴领域，旨在将深度学习推广到任意非规则域。现有的大多数 GCN 遵循邻域聚合方案，即通过使用平均或排序操作聚合相邻节点的表示来递归地获得节点的表示。然而，这些操作要么是不适定的，要么判别能力弱，要么会增加训练参数的数量，从而增加计算复杂度和过拟合风险。在本文中，我们引入了一种新颖的 GCN 框架，该框架在再生核 Hilbert 空间 (RKHS) 中实现空间图卷积。后者使得通过隐式核表示，能够在高维且更具判别力的空间中设计卷积图滤波器，而无需增加训练参数的数量。我们的 GCN 模型的独特之处还在于，它能够在不显式地将已学习图滤波器感受野中的节点与输入图中的节点重新对齐的情况下实现卷积，从而使卷积具有置换不变性且定义明确。在具有挑战性的基于骨架的动作识别任务上进行的实验表明，所提出的方法优于不同的基线以及相关工作。
引用
@article{arxiv.2012.14186,
title = {Action Recognition with Kernel-based Graph Convolutional Networks},
author = {Hichem Sahbi},
journal= {arXiv preprint arXiv:2012.14186},
year = {2020}
}
备注
arXiv admin note: text overlap with arXiv:1912.05864