用于三维人体姿态回归的语义图卷积网络
计算机视觉与模式识别
2020-03-10 v3
摘要
在本文中，我们研究学习用于回归的图卷积网络（GCNs）的问题。当前的 GCN 架构受限于卷积滤波器的小感受野以及每个节点共享的变换矩阵。为解决这些局限，我们提出语义图卷积网络（SemGCN），一种在图结构数据上处理回归任务的新颖神经网络架构。SemGCN 学习捕获语义信息，如局部和全局节点关系，这些信息在图中未显式表示。这些语义关系可以通过来自真值的端到端训练学习，无需额外监督或手工规则。我们进一步研究将 SemGCN 应用于三维人体姿态回归。我们的公式直观且充分，因为二维和三维人体姿态均可表示为编码人体骨架中关节之间关系的结构化图。我们进行了全面的研究以验证我们的方法。结果证明 SemGCN 在使用少 90% 参数的同时优于当前最优方法。
引用
@article{arxiv.1904.03345,
title = {Semantic Graph Convolutional Networks for 3D Human Pose Regression},
author = {Long Zhao and Xi Peng and Yu Tian and Mubbasir Kapadia and Dimitris N. Metaxas},
journal= {arXiv preprint arXiv:1904.03345},
year = {2020}
}
备注
In CVPR 2019 (13 pages including supplementary material). The code can be found at https://github.com/garyzhao/SemGCN