具有鲁棒解耦损失的多维细化图卷积网络用于基于骨架的细粒度动作识别
计算机视觉与模式识别
2023-06-28 v1
摘要
图卷积网络已广泛用于基于骨架的动作识别。然而，由于类间数据相似性，现有方法在细粒度动作识别方面存在局限。此外，来自姿态提取的噪声数据增加了细粒度识别的挑战。在这项工作中，我们提出了一种称为通道可变时空注意力（CVSTA）的灵活注意力模块，以增强时空关节的判别力并获得更紧凑的类内特征分布。基于 CVSTA，我们构建了多维细化图卷积网络（MDR-GCN），其可改善细粒度动作在通道、关节和帧级特征上的区分性。此外，我们提出了鲁棒解耦损失（RDL），其显著增强了 CVSTA 的效果并降低了噪声的影响。所提的将 MDR-GCN 与 RDL 结合的方法在细粒度数据集 FineGym99 和 FSD-10 上，以及在粗粒度数据集 NTU-RGB+D X-view 版本上，均优于已知的基于骨架的最优方法。
引用
@article{arxiv.2306.15321,
title = {Multi-Dimensional Refinement Graph Convolutional Network with Robust Decouple Loss for Fine-Grained Skeleton-Based Action Recognition},
author = {Sheng-Lan Liu and Yu-Ning Ding and Jin-Rong Zhang and Kai-Yuan Liu and Si-Fan Zhang and Fei-Long Wang and Gao Huang},
journal= {arXiv preprint arXiv:2306.15321},
year = {2023}
}