基于注意力增强的中心差分自适应图卷积的骨架行为识别

摘要：

近年来,由于图卷积网络在骨架动作识别领域的卓越表现而吸引了许多研究人员的关注,但大多数的图卷积只能聚合节点信息,忽略了中心节点与相邻节点的特征之间的差异.提出了一种基于多感受野注意力机制的中心差分自适应图卷积网络模型 MRFAM-CDAGC,它不仅可以自适应地聚合中心节点的图拓扑中的关联节点的信息,而且可以合并相邻节点之间的局部运动信息,聚合中心节点的梯度特征.加入的多感受野的注意力模块,使该网络模型能聚焦更加具有判别力的关键关节和帧信息,从而提高行为识别网络模型的准确率.该网络模型在NTU-RGB-D数据集的2个基准测试上分别达到了89.1%和96.0%的准确率,在大规模的数据集Kinetics上具有通用性,验证了该网络模型在提取时空特征和捕捉全局上下文信息上的优越性.

关键词：行为识别、中心差分自适应图卷积、注意力机制、骨架识别

所属期刊栏目：45

分类号：TP391(计算技术、计算机技术)

资助基金：山西省重点研发计划202102020101007

在线出版日期：2023-08-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：1263-1273