.png){kind=icon}
返回
Local global information aggregation graph convolution for skeleton-based action recognition
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2025.130320.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在基于骨骼数据的人体动作识别领域，如何捕捉骨骼序列在空间和时间维度上的复杂特征是一个重大挑战。现有的图卷积网络（GCN）方法通常采用不同方法着重提取空间特征，而忽略了人体动作中固有的时间特性。本文提出了一种L(ocal)G(lobal)-GCN方法，这是一种新型方法，通过分割时间来强调未充分探索的时间维度，以捕捉局部和全局信息。我们还引入了一种适用于骨骼数据的相对位置嵌入方法，以增强图卷积的表示能力。此外，我们提出了一种分区方法，该方法在保留所有信息的同时降低计算复杂度，利用了骨骼数据的时序特性。我们的LG-GCN在三个广泛使用的数据集上达到了并超越了当前最优精度：NTU RGB+D数据集为97.3%（X-View），NTU RGB+D 120数据集为91.1%（X-Set），以及NW-UCLA数据集为96.6%。
Keyword:
Graph convolutional network
Action recognition
Global and local processing
Sequence reordering
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
暂无机构信息
引用论文
分享收藏分享收藏Fusing angular features for skeleton‐based action recognition using multi‐stream graph convolution network基于多流图卷积网络融合角点特征进行骨骼动作识别
OAAI
OAAI分享收藏Channel-wise Topology Refinement Graph Convolution for Skeleton-Based Action Recognition基于骨架的动作识别的通道拓扑细化图卷积
OAAI
OAAI分享收藏分享收藏HADE: Exploiting Human Action Recognition Through Fine-Tuned Deep Learning Methods.png)
IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容