基于骨架的多阶段时空图卷积神经网络动作分割
计算机视觉与模式识别
2022-12-20 v2
摘要
在动作捕捉序列中识别并时序分割细粒度动作的能力，对于人体运动分析应用至关重要。动作捕捉通常通过光学或惯性测量系统执行，其将人体运动编码为人体关节位置与朝向或其高阶表示的时间序列。最先进的动作分割方法使用多阶段时间卷积。主要思想是用若干层时间卷积生成初始预测，并在多个阶段（同样用时间卷积）细化这些预测。尽管这些方法捕获了长期时间模式，初始预测并未充分考虑人体关节间的空间层次。为解决该局限，我们近期引入了多阶段时空图卷积神经网络（MS-GCN）。我们的框架将初始时间卷积阶段替换为空间图卷积与膨胀时间卷积，更好地利用了关节的空间配置及其长期时间动态。我们的框架在五个任务上与四个强基线比较。实验结果表明我们的框架是基于骨架的动作分割的一个强基线。
引用
@article{arxiv.2202.01727,
title = {Skeleton-Based Action Segmentation with Multi-Stage Spatial-Temporal Graph Convolutional Neural Networks},
author = {Benjamin Filtjens and Bart Vanrumste and Peter Slaets},
journal= {arXiv preprint arXiv:2202.01727},
year = {2022}
}