用于三维人体姿态估计的正则分裂图网络

在基于图卷积架构的人体姿态估计方法中，人体骨架通常被建模为无向图，其节点为身体关节，边为相邻关节之间的连接。然而，这类方法大多倾向于利用一阶邻域学习骨架关节间的关系，忽略了高阶邻域，从而限制了其挖掘远端关节之间关系的能力。本文中，我们引入一种高阶正则分裂图网络（RS-Net）用于二维到三维人体姿态估计，该网络结合矩阵分裂与权重及邻接调制。其核心思想是利用多跳邻域捕获身体关节间的长程依赖，并为不同身体关节学习不同的调制向量，以及将一个调制矩阵加到与骨架相关的邻接矩阵上。该可学习的调制矩阵有助于通过添加额外的图边来调整图结构，以学习关节间更多的连接。所提出的 RS-Net 模型在聚合关节相关特征向量之前对所有邻域关节采用权重不共享，以捕获它们之间的不同关系，而非对所有邻域关节使用共享权重矩阵。在两个基准数据集上的实验与消融研究证明了我们模型的有效性，其在三维人体姿态估计上取得了优于近期 SOTA 方法的性能。