High-performance inference graph convolutional networks for skeleton-based action recognition

doi:10.1016/j.neucom.2025.131078

High-performance inference graph convolutional networks for skeleton-based action recognition

2025-08-05

0

PRE

AI

DOI：10.1016/j.neucom.2025.131078

原文链接

原文求助

摘要

En 中文

近年来，随着图卷积网络（GCNs）的出现，基于骨架的人体动作识别领域取得了显著进展。然而，用于该任务的当前最佳（SOTA）模型专注于构建更复杂的关节节点间的高阶连接以描述骨架信息，这导致了复杂的推理过程和高计算成本。为解决因模型结构过于复杂而导致的推理速度慢的问题，我们将参数重整化和过参数化技术引入GCNs，并提出两种新型高性能推理GCNs，即HPI-GCN-RP和HPI-GCN-OP。模型训练完成后，模型参数被固定。HPI-GCN-RP采用参数重整化技术，通过线性变换将高性能训练模型转化为快速推理模型，从而在保持模型性能竞争力的同时实现更快的推理速度。HPI-GCN-OP进一步利用过参数化技术，通过引入额外的推理参数实现更高的性能提升，尽管推理速度略有下降。在两个基于骨架的动作识别数据集上的实验结果证明了我们方法的有效性。我们的HPI-GCN-OP实现了与SOTA模型相当的性能，推理速度却快了五倍。具体而言，我们的HPI-GCN-OP在NTU-RGB+D 60数据集的跨主体分割上达到93%的准确率，在NTU-RGB+D 120数据集的跨主体基准测试中达到90.1%的准确率。代码可在github.com/lizaowo/HPI-GCN获取。

Keyword:

skeleton-based action recognition

graph convolutional networks

re-parameterization

over-parameterization

inference speed

High-performance inference graph convolutional networks for skeleton-based action recognition

摘要

期刊

机构

引用论文