.png){kind=icon}
返回
Hierarchical adaptive multi-scale hypergraph attention convolution network for skeleton-based action recognition
.png){kind=icon}
PRE
AI
DOI：10.1016/j.asoc.2025.112855.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图卷积网络（GCN）已被广泛应用于基于骨架的人体动作识别（HAR）。然而，固有的图拓扑设计策略以及在特征聚合中对空间和时序信息同等处理是GCN-based骨架HAR中存在的两个主要问题。为了有效解决这些问题，本文提出了一种分层自适应多尺度超图注意力卷积网络（HAMHGNet）。首先，设计了一个分层自适应聚类划分模块，用于根据不同动作中的运动情况构建动态图拓扑，以推断关节-部件-组之间的交互。然后，设计了一个多尺度超图注意力卷积模块，以放松固定拓扑的限制，同时保持骨架关节的固有空间特征。最后，构建了一个时序分割注意力约束编码模块，用于建模连续帧中不同关节之间的关系。在两个基准数据集上的实验结果，即NTU-RGB+D 60（X-View上93.1%，X-Sub上96.7%）和NTU-RGB+D 120（X-Sub上90.1%，X-Set上90.8%），验证了所提出的模型能够实现基于骨架的动作识别的先进性能。
Keyword:
Action recognition
Multi-scale hypergraph attention convolution
Hierarchical adaptive clustering
Dynamic graph topology