通过神经搜索学习用于基于骨架的人体动作识别的图卷积网络
计算机视觉与模式识别
2019-11-12 v1
摘要
基于骨架数据的人体动作识别在图卷积网络（Graph Convolution Network, GCN）的推动下吸引了大量关注，因其对非欧几里得结构数据具有强大的建模能力。然而，许多现有GCN方法提供预定义图并在整个网络中固定它，可能丢失隐式关节关联。此外，主流谱GCN由一阶跳近似，因而高阶连接未能很好纳入。因此，需要巨大努力来探索更好的GCN架构。为解决这些问题，我们转向神经架构搜索（Neural Architecture Search, NAS）并提出了首个自动设计的用于基于骨架动作识别的GCN。具体而言，我们在充分探索节点间时空关联后，提供多个动态图模块以丰富搜索空间。此外，我们引入多跳模块，期望打破由一阶近似带来的表示能力局限。而且，提出了一种采样与内存高效的进化策略来搜索该任务的最优架构。所得架构证明了高阶近似与带时间交互的动态图建模机制的有效性，而后者此前极少被讨论。为评估搜索模型的性能，我们在两个非常大尺度的数据集上进行了大量实验，结果表明我们的模型取得了最先进的结果。
引用
@article{arxiv.1911.04131,
title = {Learning Graph Convolutional Network for Skeleton-based Human Action Recognition by Neural Searching},
author = {Wei Peng and Xiaopeng Hong and Haoyu Chen and Guoying Zhao},
journal= {arXiv preprint arXiv:1911.04131},
year = {2019}
}
备注
Accepted by AAAI2020