[AMV-GCNs Neurocomputing2021] Adaptive multi-view graph convolutional networks for skeleton-based ac

论文：[AMV-GCNs Neurocomputing2021] Adaptive multi-view graph convolutional networks for skeleton-based action recognition；

本篇论文也是2021年的一篇论文，下面对其最重要的部分进行阐述：

该论文最主要的工作有两点：

1】新的骨架图构建方法（两种节点和3种边），构建出来的图称之为STF

节点有vt,i和wt,i

边有：

其中由节点有两种，因此比以往骨架图节点数翻了一倍，其边就还是使用邻接矩阵进行描述，边的种类增加不会增加图存储空间。因此作者构建出来的骨架图表示如下图右边所示：

上图中：红点表示空间节点vt；绿色圆点表示时间节点wt；

黑、黄、蓝线代表第一、第二、第三连接。

2】主要工作：作者认为不同视角对骨架图动作识别影响很大：一个合适的视角可以提高识别精度，并且同一个动作相机采样时采样了多个视角；

因此提出了使用一个视角转换模块来找到一个对动作识别最有利的视角；并且分了多流从顺时针视角转换和逆时针视角转换来分别找适合的视角与融合多视角。

视角转换图示：

原来为STF图像沿Z轴顺时针与逆时针旋转（之所以沿Z轴是由于现实生活中视角主要发现变化的就是Z轴）

其中经过转换后边一共有了3个视角：原视角（S0）、顺时针变换视角（S1）和逆时针变换视角（S2）

如下图所示为视角转换模块（adaptive view transformation module）：输入为STF，其主要就是计算顺时针和逆时针旋转的角度θ和φ的，其计算过程如下：

完整实现方法：求出角度后使用如下公式：（Rz为旋转度量矩阵，可以完成沿Z轴旋转的操作）

因此其总体网络如下图所示：

总体工作下来，作者的提升并不大。

思考：如何利用视角信息？感觉该工作对总体分类效果并不会太好，总体可以看做一个数据增强的操作。

[AMV-GCNs Neurocomputing2021] Adaptive multi-view graph convolutional networks for skeleton-based ac相关推荐

[论文笔记]EMNLP2019: Fine-Grained Entity Typing via Hierarchical Multi Graph Convolutional Networks
EMNLP2019: Fine-Grained Entity Typing via Hierarchical Multi Graph Convolutional Networks 链接: https: ...
图融合GCN（Graph Convolutional Networks）
图融合GCN(Graph Convolutional Networks) 数据其实是图(graph),图在生活中无处不在,如社交网络,知识图谱,蛋白质结构等.本文介绍GNN(Graph Neural ...
论文阅读课1-Attention Guided Graph Convolutional Networks for Relation Extraction（关系抽取，图卷积,ACL2019，n元）
文章目录 abstract 1.introduction 1.1 dense connection+GCN 1.2 效果突出 1.3 contribution 2.Attention Guided G ...
【论文笔记】Factorizable Graph Convolutional Networks
文章目录 1. Abstract 2. Method 2.1 Disentangling Step 2.2 Aggregation Step 2.3 Merging Step 3. 总体架构 4. 超 ...
[GCN] Modification of Graph Convolutional Networks in PyTorch
Modification of Graph Convolutional Networks in PyTorch 代码见GitHub:Modification-of-Graph-Convolutiona ...
GCN - Semi-Supervised Classification with Graph Convolutional Networks 用图卷积进行半监督节点分类 ICLR 2017
目录文章目录 1 为什么GCN是谱图卷积的一阶局部近似?- GCN的推导谱图卷积 Layer-wise Linear Model(逐层线性模型) 简化:K=1(2个参数的模型) 简化:1个参数的模 ...
【论文解读 ICLR 2020 | DropEdge】TOWARDS DEEP GRAPH CONVOLU-TIONAL NETWORKS ON NODE CLASSIFICATION
论文题目:DROPEDGE: TOWARDS DEEP GRAPH CONVOLU-TIONAL NETWORKS ON NODE CLASSIFICATION 论文来源:ICLR 2020 论文链接 ...
图卷积网络(Graph Convolutional Networks, GCN)详细介绍
本文翻译自博客. 在这篇博文中会为大家详细地介绍目前使用广泛的图神经网络--图卷积网络(Graph Convolutional Networks, GCN)的相关知识.首先将带领大家直觉上感受其工作原 ...
SGC - Simplifying Graph Convolutional Networks 简化的图卷积网络论文详解 ICML 2019
文章目录 1 相关介绍 1.1 Simple Graph Convolution (SGC)提出的背景 1.2 SGC效果 2 Simple Graph Convolution 简化的图卷积 2.1 ...
论文笔记：ICML 2019 Simplifying Graph Convolutional Networks
前言随着2017年GCN概念的提出,近年来越来越多的GCN方法被提出.由于GCN本身的提出来源于深度学习中CNN和RNN的概念,因此可能会继承其中一些不必要的复杂度和冗余计算,本文提出了一种简化的图 ...

[AMV-GCNs Neurocomputing2021] Adaptive multi-view graph convolutional networks for skeleton-based ac

[AMV-GCNs Neurocomputing2021] Adaptive multi-view graph convolutional networks for skeleton-based ac相关推荐

最新文章

热门文章