用于时空图卷积网络的骨架分割策略
计算机视觉与模式识别
2021-08-04 v1 人工智能
摘要
人体骨架表示已被证明对于此项任务是有效的。骨架以类似图的形式呈现。然而，图的拓扑结构不像基于欧几里得的数据那样规整。因此，提出了一套在骨架图上执行卷积操作的新方法。我们的提议基于Yan等人[1]提出的ST-GCN框架。在本研究中，我们为ST-GCN框架提出了一套改进的标签映射方法。我们引入了三种分割过程（全距离分割、连接分割和索引分割）作为卷积操作的替代方法。为评估性能，本研究中展示的实验已使用两个基准数据集进行训练：NTU-RGB+D和Kinetics。我们的结果表明，所有分割过程均优于先前的划分策略，并且在不使用边重要性加权额外训练参数的情况下，训练过程中更加稳定。因此，我们的提议可以为以室内环境日常活动识别系统为中心的应用提供更现实的实时解决方案。
引用
@article{arxiv.2108.01309,
title = {Skeleton Split Strategies for Spatial Temporal Graph Convolution Networks},
author = {Motasem S. Alsawadi and Miguel Rio},
journal= {arXiv preprint arXiv:2108.01309},
year = {2021}
}
备注
8 pages, 7 figures