利用鲁棒时空特征改进基于骨架的动作识别
计算机视觉与模式识别
2020-08-04 v1
摘要
近来基于骨架的动作识别在计算机视觉界取得了显著进展。多数最先进算法基于图卷积网络(GCN),旨在改进骨干 GCN 层的网络结构。本文中,我们提出一种新机制以学习空间中与时间上更具鲁棒性的判别特征。更具体地,我们在网络最后几层添加判别特征学习(DFL)分支,以提取判别性的空间与时间特征来正则化学习。我们还正式提倡使用方向不变特征(DIF)作为神经网络的输入。我们表明当这些鲁棒特征被学习并使用时,动作识别准确率可得以提升。我们在四个数据集 NTU-RGBD60、NTU-RGBD120、SYSU 3DHOI 和 Skeleton-Kinetics 上将我们的结果与 ST-GCN 及相关方法进行比较。
引用
@article{arxiv.2008.00324,
title = {Improving Skeleton-based Action Recognitionwith Robust Spatial and Temporal Features},
author = {Zeshi Yang and Kangkang Yin},
journal= {arXiv preprint arXiv:2008.00324},
year = {2020}
}