REGINA——人体动作识别中的推理图卷积网络
计算机视觉与模式识别
2021-05-17 v1
摘要
众所周知，人体骨架的运动学揭示了动作识别中的有价值信息。近来，将骨架建模为时空图并使用图卷积网络（GCNs）已被报道能切实推进最先进性能。然而，基于 GCN 的方法仅从原始骨架数据学习，需自行提取固有结构信息。本文描述 REGINA，引入一种用于人体动作识别中推理图卷积网络（REasoning Graph convolutional networks IN human Action recognition）的新方式。其原理是向 GCN 提供由手工特征获得的关于骨架数据的额外知识，以促进学习过程，同时保证其仍以端到端方式完全可训练。挑战在于捕获连续帧间动态上的互补信息，这也是最先进 GCN 技术提取的关键信息。此外，所提策略可轻松集成于现有基于 GCN 的方法中，我们也视其为积极之处。我们的实验在知名动作识别数据集上进行，并得出结论：当 REGINA 融入其他基于 GCN 的方法时，无需对原方法做任何其他调整，即可带来性能的切实提升。为可复现，REGINA 代码及所有实验将公开于 https://github.com/DegardinBruno。
引用
@article{arxiv.2105.06711,
title = {REGINA - Reasoning Graph Convolutional Networks in Human Action Recognition},
author = {Bruno Degardin and Vasco Lopes and Hugo Proença},
journal= {arXiv preprint arXiv:2105.06711},
year = {2021}
}