通过骨架转换实现基于骨架的动作识别的表达性关键点
计算机视觉与模式识别
2024-06-27 v1
摘要
在骨架基于动作识别领域，依赖粗糙身体关键点的传统方法难以捕捉细微的人类动作。本文提出了表达性关键点 (Expressive Keypoints)，该方法将手和脚细节纳入其中，以形成更细粒度的骨架表示，从而提高现有模型在辨别复杂动作时的判别能力。为了高效地建模表达性关键点，提出了骨架转换策略，以逐步下采样关键点并分配重要性权重以优先处理突出关节点。此外，探索了即插即用的实例池化模块，以在不增加计算成本的同时将方法扩展到多人场景。大量实验结果表明，我们的方法在七个数据集上优于基于骨架的人类动作识别的最新方法。代码已公开 https://github.com/YijieYang23/SkeleT-GCN。
引用
@article{arxiv.2406.18011,
title = {Expressive Keypoints for Skeleton-based Action Recognition via Skeleton Transformation},
author = {Yijie Yang and Jinlu Zhang and Jiaxu Zhang and Zhigang Tu},
journal= {arXiv preprint arXiv:2406.18011},
year = {2024}
}