Logsig-RNN：一种用于鲁棒高效基于骨架动作识别的新网络
计算机视觉与模式识别
2021-11-02 v2 机器学习
摘要
本文致力于解决视频中基于骨架的人体动作识别挑战。关键步骤是开发通用网络架构以提取时空骨架数据的判别性特征。本文提出一种新颖模块，即Logsig-RNN，其为对数签名层与循环型神经网络（RNN）的结合。前者源自作为流式数据表示的对数签名与签名的数学原理技术，可处理高采样率流、非均匀采样及变长时间序列。它作为循环层的增强，可便捷插入神经网络。此外，我们提出两种路径变换层，在保留输入Logsig-RNN模块本质信息的同时显著降维。最后，数值结果表明，在SOTA网络中用Logsig-RNN模块替换RNN模块，在Chalearn手势数据与NTU RGB+D 120动作数据上一致提升了准确率与鲁棒性。特别地，通过将简单路径变换层与Logsig-RNN结合，我们在Chalearn2013手势数据上取得了当前最优准确率。代码见https://github.com/steveliao93/GCN_LogsigRNN。
引用
@article{arxiv.2110.13008,
title = {Logsig-RNN: a novel network for robust and efficient skeleton-based action recognition},
author = {Shujian Liao and Terry Lyons and Weixin Yang and Kevin Schlegel and Hao Ni},
journal= {arXiv preprint arXiv:2110.13008},
year = {2021}
}
备注
This paper is accepted by British Machine Vision Conference 2021