用于基于骨架的动作识别的通道级拓扑精炼图卷积
计算机视觉与模式识别
2021-08-24 v2
摘要
图卷积网络（GCNs）已被广泛用于基于骨架的动作识别并取得了显著成果。在 GCNs 中，图拓扑主导特征聚合，因此是提取代表性特征的关键。本工作中，我们提出一种新颖的通道级拓扑精炼图卷积（CTR-GC），用于动态学习不同拓扑并有效聚合基于骨架的动作识别中不同通道的关节特征。所提出的 CTR-GC 通过学习一个共享拓扑作为所有通道的通用先验，并利用各通道特定的相关性对其进行精炼，来建模通道级拓扑。我们的精炼方法引入了极少的额外参数，并显著降低了通道级拓扑建模的难度。此外，通过将图卷积重新表述为统一形式，我们发现 CTR-GC 放宽了图卷积的严格约束，从而带来更强的表示能力。将 CTR-GC 与时间建模模块结合，我们开发了名为 CTR-GCN 的强大图卷积网络，在 NTU RGB+D、NTU RGB+D 120 和 NW-UCLA 数据集上显著优于最先进方法。
引用
@article{arxiv.2107.12213,
title = {Channel-wise Topology Refinement Graph Convolution for Skeleton-Based Action Recognition},
author = {Yuxin Chen and Ziqi Zhang and Chunfeng Yuan and Bing Li and Ying Deng and Weiming Hu},
journal= {arXiv preprint arXiv:2107.12213},
year = {2021}
}
备注
Accepted to ICCV2021. Camera-ready version with supplementary materials. Code is available at https://github.com/Uason-Chen/CTR-GCN