Spatial–Temporal Self-Compensating Graph Convolutional Network for Skeleton-Based Action Recognition Under Data Constraints

doi:10.1109/TIP.2026.3695673

Spatial–Temporal Self-Compensating Graph Convolutional Network for Skeleton-Based Action Recognition Under Data Constraints

2026-06-01

0

PRE

AI

DOI：10.1109/TIP.2026.3695673

原文链接

原文求助

摘要

En 中文

基于骨架的人体动作识别已成为计算机视觉领域的研究重点，近年来取得了显著进展。然而，现有方法在现实数据约束下（如身体遮挡、帧缺失和噪声）往往出现严重的性能下降。这些限制严重削弱了相关技术在实践应用中的鲁棒性。为应对这些挑战，我们提出了一种时空自补偿图卷积网络（STSc-GCN），通过利用人体运动的系统性和规律性特点，借助数据自补偿机制来缓解数据约束导致的性能下降。具体而言，STSc-GCN包含两个关键模块：1）协同运动空间补偿（CMSC）。该模块设计了多种不同的拓扑关系，主要包括行走概率普适拓扑和自组织特殊性拓扑，以深入探索人体关节之间的普适性和个性化协同关系。这些关系有助于补偿空间数据约束导致的信息缺失；2）元动作锐化时间补偿（MSTC）。该模块引入了一种新颖的运动锐化机制，通过交叉注意力技术增强元动作序列中的关键动态信息，从而提升模型对帧缺失场景的适应性。STSc-GCN在四个受约束数据集上实现了最先进的表现，并在三个常用标准数据集上展现出更优结果，证实了其在受约束和通用场景下的有效性。代码将在https://github.com/XingLi1012/STSc-GCN.git发布。

Keyword:

Action recognition

graph convolutional network

skeleton

data constraints

Spatial–Temporal Self-Compensating Graph Convolutional Network for Skeleton-Based Action Recognition Under Data Constraints

摘要

期刊

机构

引用论文