基于图神经网络的儿童活动识别
计算机视觉与模式识别
2022-12-20 v1 机器学习
摘要
本文提出了一种基于图卷积网络（GCN）深度学习模型的儿童活动识别（CAR）实现，因为尽管GCN具有优越性能，但该领域的先前实现一直由CNN、LSTM等方法主导。据我们所知，我们是首个在儿童活动识别领域使用GCN模型的。为了克服公开可用的儿童动作数据集规模较小的挑战，我们实施了多种学习方法，如特征提取、微调和课程学习，以提高模型性能。受关于在CAR中使用迁移学习的矛盾说法的启发，我们对迁移学习进行了详细的实现和分析，并研究了CAR中的负迁移效应，因为此前尚未有人探讨过这一点。作为主要贡献，我们成功开发了一个基于ST-GCN的CAR模型，尽管数据集规模较小，其在原始实现上仍获得了约50%的准确率。通过特征提取和微调方法，准确率提高了20%-30%，最高准确率达到82.24%。此外，在活动数据集上提供的结果实证表明，通过课程学习等方法仔细选择预训练模型数据集，可以提高准确率水平。最后，我们提供了关于帧率可能影响CAR模型准确率的初步证据，这是未来研究可以探索的一个方向。
引用
@article{arxiv.2212.09013,
title = {Graph Neural Network based Child Activity Recognition},
author = {Sanka Mohottala and Pradeepa Samarasinghe and Dharshana Kasthurirathna and Charith Abhayaratne},
journal= {arXiv preprint arXiv:2212.09013},
year = {2022}
}
备注
Accepted to 23rd IEEE ICIT Conference (2022), 8 pages, 4 figures