用于基于骨架动作识别的高性能推理图卷积网络
计算机视觉与模式识别
2025-01-08 v3
摘要
近来，随着图卷积网络（GCNs）的出现，基于骨架的人体动作识别取得了显著成就。然而，用于该任务的最先进（SOTA）模型侧重于在关节节点间构建更复杂的高阶连接以描述骨架信息，这导致推理过程复杂且计算成本高昂。为解决模型结构过度复杂引起的推理速度慢问题，我们将重参数化与过参数化技术引入GCNs，并提出两种新颖的高性能推理GCN，即HPI-GCN-RP与HPI-GCN-OP。模型训练完成后，模型参数被固定。HPI-GCN-RP采用重参数化技术，通过线性变换将高性能训练模型转化为快速推理模型，以具竞争力的模型性能实现更高推理速度。HPI-GCN-OP进一步利用过参数化技术，通过引入额外推理参数实现更高性能提升，尽管推理速度略有下降。基于两个基于骨架的动作识别数据集的实验结果证明了我们方法的有效性。我们的HPI-GCN-OP取得了与当前SOTA模型相当的性能，推理速度快五倍。具体而言，我们的HPI-GCN-OP在NTU-RGB+D 60数据集的cross-subject划分上达到93\%准确率，在NTU-RGB+D 120数据集的cross-subject基准上达到90.1\%准确率。代码见github.com/lizaowo/HPI-GCN。
引用
@article{arxiv.2305.18710,
title = {High-Performance Inference Graph Convolutional Networks for Skeleton-Based Action Recognition},
author = {Junyi Wang and Ziao Li and Bangli Liu and Haibin Cai and Mohamad Saada and Qinggang Meng},
journal= {arXiv preprint arXiv:2305.18710},
year = {2025}
}
备注
23 pages, 5 figures