JOLO-GCN：挖掘以关节为中心的轻量级信息用于基于骨架的动作识别
计算机视觉与模式识别
2020-11-17 v1
摘要
基于骨架的动作识别近年来引起了研究关注。当前流行的基于骨架的人体动作识别方法的一个共同缺陷是，仅依靠稀疏的骨架信息不足以充分刻画人体运动。这一局限使得若干现有方法无法正确分类仅表现出细微运动差异的动作类别。本文提出一种新颖的框架，在双流图卷积网络中联合使用人体姿态骨架与以关节为中心的轻量级信息，即 JOLO-GCN。具体而言，我们使用关节对齐光流块（JFP）来捕获每个关节周围的局部细微运动，作为关键的以关节为中心的视觉信息。与纯基于骨架的基线相比，该混合方案在保持较低计算和内存开销的同时有效提升了性能。在 NTU RGB+D、NTU RGB+D 120 和 Kinetics-Skeleton 数据集上的实验表明，所提方法相对于最先进的基于骨架的方法取得了明显的准确率提升。
引用
@article{arxiv.2011.07787,
title = {JOLO-GCN: Mining Joint-Centered Light-Weight Information for Skeleton-Based Action Recognition},
author = {Jinmiao Cai and Nianjuan Jiang and Xiaoguang Han and Kui Jia and Jiangbo Lu},
journal= {arXiv preprint arXiv:2011.07787},
year = {2020}
}
备注
Accepted at IEEE WACV 2021