面向不完整骨架动作识别的富激活图卷积网络
计算机视觉与模式识别
2020-01-08 v2
摘要
当前基于骨架的人体动作识别方法通常处理完全观测到的骨架。然而，在真实场景中，容易捕获到不完整且含噪声的骨架，这会劣化传统模型的性能。为增强动作识别模型对不完整骨架的鲁棒性，我们提出一种多流图卷积网络（GCN），以挖掘分布于所有骨架关节的充分判别性特征。此处，网络的每一流仅负责从当前未激活的关节学习特征，这些关节由先前各流获得的类激活图（CAM）区分，因此所提方法激活的关节明显多于传统方法。由此，该提案称为富激活GCN（RA-GCN），其中丰富发现的特征将提升模型的鲁棒性。相较于最先进的方法，RA-GCN在NTU RGB+D数据集上取得了可比的性能。此外，在一个合成遮挡数据集上，RA-GCN能显著缓解性能退化。
引用
@article{arxiv.1905.06774,
title = {Richly Activated Graph Convolutional Network for Action Recognition with Incomplete Skeletons},
author = {Yi-Fan Song and Zhang Zhang and Liang Wang},
journal= {arXiv preprint arXiv:1905.06774},
year = {2020}
}
备注
Accepted by ICIP 2019, 5 pages, 3 figures, 3 tables