用于高效基于骨架的人体动作识别的时间注意力增强图卷积网络
计算机视觉与模式识别
2021-04-26 v3
摘要
图卷积网络（GCNs）在建模非欧几里得数据结构方面非常成功，例如将动作建模为时空图的人体骨架序列。大多数基于GCN的动作识别方法使用具有高计算复杂度的深层前馈网络来处理动作中的所有骨架。这导致处理单个样本需要大量的浮点运算（从16G到100G FLOPs不等），使得它们在计算受限的应用场景中难以采用。在本文中，我们提出一种时间注意力模块（TAM），通过在网络早期层中选择动作中最具信息量的骨架，来提高基于骨架的动作识别的效率。我们将TAM嵌入轻量级GCN拓扑中，以进一步减少总体计算量。在两个基准数据集上的实验结果表明，所提方法以较大优势优于基于GCN的基线方法，同时计算量减少了2.9倍。此外，它与最先进（state-of-the-art）方法性能相当，而计算量最多减少9.6倍。
引用
@article{arxiv.2010.12221,
title = {Temporal Attention-Augmented Graph Convolutional Network for Efficient Skeleton-Based Human Action Recognition},
author = {Negar Heidari and Alexandros Iosifidis},
journal= {arXiv preprint arXiv:2010.12221},
year = {2021}
}
备注
Accepted by the 2020 International Conference on Pattern Recognition (ICPR 2020)