G3CN：用于基于骨架的动作识别的门控图卷积网络高斯拓扑精炼

图卷积网络（GCNs）已被证明在基于骨架的动作识别中非常有效，这主要归功于它们利用图拓扑进行特征聚合的能力，这是提取有意义表示的关键因素。然而，尽管取得了成功，GCNs 在有效区分模糊动作方面常常遇到困难，这揭示了其在学习拓扑和空间特征表示方面的局限性。为了应对这一挑战，我们提出了一种新颖的方法，即高斯拓扑精炼门控图卷积（G$^{3}$CN），以解决基于骨架的动作识别中区分模糊动作的难题。G$^{3}$CN 引入了一个高斯滤波器来精炼骨架拓扑图，从而改善了对模糊动作的表示。此外，门控循环单元（GRUs）被集成到 GCN 框架中，以增强骨架点之间的信息传播。我们的方法在各种 GCN 骨干网络上展现出强大的泛化能力。在 NTU RGB+D、NTU RGB+D 120 和 NW-UCLA 基准数据集上的大量实验表明，G$^{3}$CN 有效地提升了动作识别性能，特别是对于模糊样本。