Leveraging Spatial High-Order Modeling for Skeleton-Based Action Recognition

Liang, Zeyu

doi:10.1109/lsp.2026.3694785

Leveraging Spatial High-Order Modeling for Skeleton-Based Action Recognition

2026-01-01

0

PRE

AI

DOI：10.1109/lsp.2026.3694785

原文链接

原文求助

摘要

En 中文

基于骨架的动作识别随着图卷积网络（GCNs）的发展取得了显著性能。现有方法倾向于通过可学习的邻接矩阵捕捉空间依赖关系，其中节点从编码的骨骼图结构中任意距离的邻居处接收潜在表示。然而，它们难以建模空间高阶结构表示，如跨距离的特征差异。此外，固定感受野的时序卷积限制了其捕捉长程时序依赖的能力。在本文中，我们提出了一种简单而有效的方法DeltaGC，以利用空间高阶建模。具体而言，我们通过预定义的跳数邻接矩阵表计算高阶特征与零阶特征之间的差值，自适应地编码delta特征。这种设计提供了更丰富的表示，并补充了现有方法。此外，引入了可变形建模的概念，并设计了一个多尺度可变形时序卷积模块MS-DTC，以实现更灵活的感受野和更强的建模能力。大量实验证明了我们方法的有效性。紧凑版本DeltaGCN-S和更大版本DeltaGCN-L均达到与最先进方法相当的性能，其中DeltaGCN-L在多个基准上取得了更优结果。

Keyword:

Modeling

Skeleton

Convolution

Encoding

Matrices

Correlation

Learning (artificial intelligence)

Graph convolutional networks

Topology

Spatial high-order modeling

delta feature

deformable temporal convolution

skeleton-based action recognition

Leveraging Spatial High-Order Modeling for Skeleton-Based Action Recognition

摘要

期刊

机构

引用论文