在图卷积网络中学习切比雪夫基以用于基于骨架的动作识别
计算机视觉与模式识别
2021-12-28 v2
摘要
谱图卷积网络(GCNs)是一类特殊的深度模型，旨在将神经网络扩展至任意不规则域。这些网络的原理在于利用图拉普拉斯矩阵的特征分解对图信号进行投影，然后在谱域完成滤波，再将所得滤波信号反投影回输入图域。然而，这些操作的成功高度依赖于所用拉普拉斯矩阵的相关性，而后者多为手工设计，这使得 GCNs 明显次优。本文引入一种新颖的谱 GCN，其不仅学习常规的卷积参数，还学习拉普拉斯算子。后者以“端到端”方式设计为递归切比雪夫分解的一部分，其特点在于传达所学表征的微分与非微分性质——随阶数增加与判别力增强——且不会使训练的 GCNs 过度参数化。在基于骨架的动作识别这一挑战性任务上开展的广泛实验，显示了我们所提拉普拉斯设计的泛化能力及相对于不同基线(基于手工与其他所学拉普拉斯矩阵构建)以及相关工作的优越性能。
引用
@article{arxiv.2104.05482,
title = {Learning Chebyshev Basis in Graph Convolutional Networks for Skeleton-based Action Recognition},
author = {Hichem Sahbi},
journal= {arXiv preprint arXiv:2104.05482},
year = {2021}
}