典型文献
基于骨架的自适应尺度图卷积动作识别
文献摘要：
基于骨架的动作识别任务中,一般将骨骼序列表示为预定义的时空拓扑图.然而,由于样本的多样性,固定尺度的拓扑图往往不是最优结构,针对样本特性构建自适应尺度的骨骼拓扑图能够更好地捕捉时空特征;另外,不同尺度的骨骼图能够表达不同粒度的人体结构特征,因此对多个不同尺度的拓扑图进行特征提取与融合是有必要的.针对这些问题,提出了一种自适应尺度的图卷积动作识别模型.该模型包含自适应尺度图卷积模块和多尺度融合模块两部分.自适应尺度图卷积模块基于先验与空间注意力机制,构建关键点的活跃度判决器,将活跃点细化为小尺度结构、非活跃点聚合为大尺度结构,在加速节点间特征传递的同时最小化特征损耗;多尺度融合模块基于通道注意力机制,动态融合不同尺度的特征,进一步提升网络的灵活性;最后,综合关键点、骨骼、运动信息实现多路特征聚合的动作判别,丰富模型的特征表达.结果表明:该算法在NTU-RGBD数据集的CS和CV子集上分别取得了89.7％和96.1％的分类准确率,显著提高了动作识别的准确性.
文献关键词：
人体骨架;动作识别;自适应尺度;图卷积
中图分类号：
作者姓名：
王小娟;钟云;金磊;肖亚博
作者机构：
北京邮电大学电子工程学院,北京 100876
文献出处：
引用格式：
[1]王小娟;钟云;金磊;肖亚博-.基于骨架的自适应尺度图卷积动作识别)[J].天津大学学报（自然科学与工程技术版）,2022(03):306-312
A类：
B类：
自适应尺度,图卷积,动作识别,序列表示,预定,拓扑图,定尺,最优结构,时空特征,不同尺度,不同粒度,人体结构,识别模型,卷积模块,多尺度融合模块,先验,空间注意力机制,活跃度,判决,小尺度,尺度结构,大尺度,通道注意力机制,动态融合,运动信息,多路,特征聚合,特征表达,NTU,RGBD,CS,CV,子集,分类准确率,人体骨架
AB值：
0.323554
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
