.png){kind=icon}
返回
Spatio-temporal local graph convolutional network for skeleton-based action recognition
.png){kind=icon}
PRE
AI
DOI：10.1007/s13042-026-03270-7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，图卷积网络（GCNs）被广泛应用于基于骨骼的动作识别，并取得了显著性能。然而，尽管现有GCNs可以通过空间图卷积有效捕捉关节之间的全局关系，但在捕捉局部和复杂的时空关系以及充分利用语义信息进行特征学习方面仍存在局限性。为克服这些局限性，我们提出了一种新颖的方法，称为时空局部图卷积网络，该网络由分区模块（PM）、时空图卷积（ST-GC）模块和关节原型损失（JPL）函数组成。具体而言，PM将全局骨骼划分为多个局部骨骼，从而便于捕捉关节之间的局部关系。除了经典的空間图卷积外，ST-GC还采用时间和时空图卷积，以有效捕捉复杂的时空依赖性。三种卷积均利用各自的数据驱动动态拓扑结构进行特征聚合。在JPL中，通过引入生物拓扑来增强具有语义信息的原型，从而引入空间结构信息，进而指导特征学习以提高分类性能。我们在NTU RGB+D 60和NTU RGB+D 120数据集上进行了广泛评估，结果表明所提出的方法取得了有竞争力的识别性能。
Keyword:
Skeleton-based action recognition
Partitioning
Graph convolution
Prototype loss
期刊
IF:
2.7
论文数:
3.2K
被引数:
5.6K
机构
引用论文
MAR-GCN: A meta-action refinement graph convolutional network for skeleton-based human action recognitionMAR-GCN: 一种用于骨架基人类动作识别的元动作细化图卷积网络
PREAI
分享收藏A Survey of the State of the Art in Monocular 3D Human Pose Estimation: Methods, Benchmarks, and Challenges单目3D人体姿态估计的最新技术: 方法，基准和挑战.png)
SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏Multi-scale receptive fields: Graph attention neural network for hyperspectral image classification多尺度感受野: 用于高光谱图像分类的图注意神经网络
PREAI
分享收藏Writhing Movement Detection in Newborns on the Second and Third Day of Life Using Pose-Based Feature Machine Learning Classification使用基于姿势的特征机器学习分类在生命的第二天和第三天的新生儿中进行的旋转运动检测SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏分享收藏Enhancing action recognition from low-quality skeleton data via part-level knowledge distillationSIGNAL PROCESSINGOAAI
SIGNAL PROCESSINGIF3.6
OAAI分享收藏Spatiotemporal interactive multiple self-attention network for skeleton-based action recognition时空交互多自注意力网络用于骨架动作识别
PREAI
分享收藏Liu, C.; Liu, S.; Qiu, H.; Li, Z. Adaptive part-level embedding GCN: Towards robust skeleton-based one-shot action recognition. IEEE Trans. Instrum. Meas. 2025, 74, 5024713. [Google Scholar] [CrossRef]刘, C.; 刘, S.; 邱, H.; 李, Z. 自适应部件级嵌入GCN：面向鲁棒骨骼基一次动作识别. IEEE Trans. Instrum. Meas. 2025, 74, 5024713. [Google Scholar] [CrossRef]
IF0
PREAI
分享收藏
查看更多内容