KGS-GCN：基于运动学驱动的高斯溅射与概率拓扑结构增强稀疏骨架感知用于动作识别
计算机视觉与模式识别
2026-03-19 v1 人工智能
摘要
基于骨架的动作识别在人机交互和智能监控等传感器系统中广泛应用。然而，当前传感设备通常生成稀疏骨架数据作为离散坐标，这不可避免地在高度动态运动期间丢弃了细粒度时空细节。此外，预定义物理传感器拓扑结构的刚性约束阻碍了对潜在长程依赖关系的建模。为克服这些限制，我们提出了 KGS-GCN（一种集成运动学驱动的高斯溅射与概率拓扑的图卷积网络），通过将离散关节转换为连续生成表示来显式应对传感器数据稀疏性和拓扑刚性的挑战。首先，设计了运动学驱动的高斯溅射模块，以瞬时关节速度向量动态构建各向异性协方差矩阵。该模块通过将稀疏骨架序列渲染为富含时空语义的多视角连续热力图来增强视觉表征。其次，为超越固定物理连接的限制，提出了概率拓扑构建方法。该方法通过量化关节高斯分布之间巴氏距离的统计相关性，生成适应性的先验邻接矩阵。最终，通过视觉上下文门控机制，GCN 主干网络被渲染后的视觉特征所自适应地调制。实证结果表明，KGS-GCN 在建模复杂时空动力学方面显著提升了性能。通过解决稀疏输入的内在限制，该框架为处理低保真传感器数据提供了稳健解决方案。该方法为实际应用中的感知可靠性提升奠定了实用路径。
引用
@article{arxiv.2603.16943,
title = {KGS-GCN: Enhancing Sparse Skeleton Sensing via Kinematics-Driven Gaussian Splatting and Probabilistic Topology for Action Recognition},
author = {Yuhan Chen and Yicui Shi and Guofa Li and Liping Zhang and Jie Li and Jiaxin Gao and Wenbo Chu},
journal= {arXiv preprint arXiv:2603.16943},
year = {2026}
}