面向基于骨架的一次性动作识别的自适应局部分量感知图卷积网络
计算机视觉与模式识别
2022-09-22 v1
摘要
基于骨架的动作识别受到越来越多的关注，因为骨架表示通过消除与动作无关的视觉信息减少了训练数据量。为进一步提高样本效率，基于元学习的一次性学习方案被开发用于基于骨架的动作识别。这些方法根据实例级全局平均嵌入之间的相似度寻找最近邻。然而，由于对局部不变与噪声特征的学习泛化不足，此类度量具有不稳定的代表性；而直观上，更细粒度的识别通常依赖于判定关键局部身体运动。为克服这一局限，我们提出自适应局部分量感知图卷积网络，其将以对齐的动作关键空间/时间片段的局部嵌入上的相似度度量之和取代原有的比较度量。在 NTU-RGB+D 120 公开基准上的综合一次性实验表明，我们的方法比全局嵌入提供了更强的表示，并助力模型达到最先进水平。
引用
@article{arxiv.2209.10073,
title = {Adaptive Local-Component-aware Graph Convolutional Network for One-shot Skeleton-based Action Recognition},
author = {Anqi Zhu and Qiuhong Ke and Mingming Gong and James Bailey},
journal= {arXiv preprint arXiv:2209.10073},
year = {2022}
}