时空卷积神经网络是行为识别的主流方法之一,但传统时空图卷积神经网络在空间特征聚合存在数据冗余与时间特征提取不充分的问题,针对该问题该文提出了一种时空注意力深度增强差分图卷积网络(ST-DEdGCN)模型。首先,在空间上通过深度增强...时空卷积神经网络是行为识别的主流方法之一,但传统时空图卷积神经网络在空间特征聚合存在数据冗余与时间特征提取不充分的问题,针对该问题该文提出了一种时空注意力深度增强差分图卷积网络(ST-DEdGCN)模型。首先,在空间上通过深度增强差分图卷积(DEdGC)动态地学习不同通道中节点拓扑与节点梯度信息,有效地聚合不同通道中的关节特征。其次,通过时空卷积模块在时间维度上对全局时间信息进行建模,得到高效的序列特征信息。最后在NTU RGB + D 60和NTU RGB + D 120两个数据集进行了实验,实验结果表明时空注意力深度差分图卷积网络模型在空间特征的有效聚合和时空信息的有效提取方面优于当前主流方法,为行为识别及其相关研究提供了新的技术途径。展开更多
文摘时空卷积神经网络是行为识别的主流方法之一,但传统时空图卷积神经网络在空间特征聚合存在数据冗余与时间特征提取不充分的问题,针对该问题该文提出了一种时空注意力深度增强差分图卷积网络(ST-DEdGCN)模型。首先,在空间上通过深度增强差分图卷积(DEdGC)动态地学习不同通道中节点拓扑与节点梯度信息,有效地聚合不同通道中的关节特征。其次,通过时空卷积模块在时间维度上对全局时间信息进行建模,得到高效的序列特征信息。最后在NTU RGB + D 60和NTU RGB + D 120两个数据集进行了实验,实验结果表明时空注意力深度差分图卷积网络模型在空间特征的有效聚合和时空信息的有效提取方面优于当前主流方法,为行为识别及其相关研究提供了新的技术途径。
