.png){kind=icon}
返回
TSGCNeXt: Dynamic-Static Multi-graph Convolution for efficient skeleton-based action recognition
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.127081.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着图卷积网络（GCNs）的发展，基于骨架的动作识别在人类动作识别领域取得了显著进展。近期的方法倾向于采用动态图学习机制，但这些机制随着网络深度的增加会遭受稀疏图关系的问题，导致关节信息丢失。此外，日益复杂的图学习机制因非并行、组合运算导致的训练效率低下而面临挑战。同时，骨骼序列常被下采样，造成精细细节的损失。为解决这些问题，我们提出了时-空图卷积NeXt（TSGCNeXt），这是一种旨在保留精细骨骼序列信息的高效学习框架。首先，我们引入动态-静态分离多图卷积（DS-SMG），该机制在并行拓扑计算结构中聚合来自多个独立静态图和动态图的特征。该结构确保排除拉普拉斯算子的静态分支，能够在动态图学习过程中防止关节信息被忽略。此外，我们提出了一种图卷积训练加速机制，通过优化并行拓扑结构的反向传播，实现了55.08%的训练效率提升。通过结合这些创新，TSGCNeXt重构了整体GCN架构，并集成了高效处理精细特征的空间-时间学习模块。与现有方法相比，TSGCNeXt优于单流网络方法。此外，通过将指数移动平均模型融入多流融合，TSGCNeXt达到了当前最优性能。代码可在https://github.com/vvhj/TSGCNeXt获取。
Keyword:
Activity recognition
Graph convolution neural networks
Dynamic graph convolution
Skeleton-based action recognition
Training acceleration
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
引用论文
.png){kind=icon}
分享收藏ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile DevicesShuffleNet: 一种用于移动设备的极其高效的卷积神经网络
OAAI
OAAI分享收藏分享收藏
查看更多内容