Graph convolutional networks (GCNs) based methods have achieved advanced performance on skeleton-based action recognition task. However, the skeleton graph cannot fully represent the motion information contained in skeleton data. In addition, the topology of the skeleton graph in the GCN-based methods is manually set according to natural connections, and it is fixed for all samples, which cannot well adapt to different situations. In this work, we propose a novel dynamic hypergraph convolutional networks (DHGCN) for skeleton-based action recognition. DHGCN uses hypergraph to represent the skeleton structure to effectively exploit the motion information contained in human joints. Each joint in the skeleton hypergraph is dynamically assigned the corresponding weight according to its moving, and the hypergraph topology in our model can be dynamically adjusted to different samples according to the relationship between the joints. Experimental results demonstrate that the performance of our model achieves competitive performance on three datasets: Kinetics-Skeleton 400, NTU RGB+D 60, and NTU RGB+D 120.


翻译:在基于骨骼的动作识别任务上,基于图形的变动网络(GCN)方法已经取得了先进的表现。然而,骨架图无法充分反映骨架数据中包含的运动信息。此外,基于GCN方法中的骨架图的表层根据自然连接量手工设定,为所有样本固定,这些样本无法很好地适应不同的情况。在这项工作中,我们提出了一个新的基于骨架的动作识别动态高传网络(DHGCN)。DHGCN使用高光谱来代表骨架结构,以有效地利用人类关节中包含的运动信息。骨架高光图中的每一个联合都根据运动动态地分配相应的重量,而我们模型中的高光谱表层可以动态地根据联合之间的关系根据不同的样本进行调整。实验结果表明,我们模型的性能在三个数据集上取得了竞争性的性能:Kinitics-Skeleton 400、NTU RGB+D 60和NTU RGB+D 120,以及NTU RGB+D 120。实验结果表明,我们模型的性能在三个数据集上取得竞争性的性表现:Keticts-Skeet-Sketon 400、Skeleton-Skele-D-D-60和NTUD+D 120。

1
下载
关闭预览

相关内容

【清华大学】图随机神经网络,Graph Random Neural Networks
专知会员服务
156+阅读 · 2020年5月26日
【AAAI2020知识图谱论文概述】Knowledge Graphs @ AAAI 2020
专知会员服务
134+阅读 · 2020年2月13日
AAAI2020 图相关论文集
图与推荐
11+阅读 · 2020年7月15日
Graph Neural Networks 综述
计算机视觉life
30+阅读 · 2019年8月13日
Hierarchically Structured Meta-learning
CreateAMind
27+阅读 · 2019年5月22日
简评 | Video Action Recognition 的近期进展
极市平台
20+阅读 · 2019年4月21日
逆强化学习-学习人先验的动机
CreateAMind
16+阅读 · 2019年1月18日
Fully-Convolutional Siamese Networks for Object Tracking论文笔记
统计学习与视觉计算组
9+阅读 · 2018年10月12日
笔记 | Deep active learning for named entity recognition
黑龙江大学自然语言处理实验室
24+阅读 · 2018年5月27日
可解释的CNN
CreateAMind
17+阅读 · 2017年10月5日
Arxiv
31+阅读 · 2018年11月13日
Arxiv
7+阅读 · 2018年1月10日
VIP会员
相关VIP内容
【清华大学】图随机神经网络,Graph Random Neural Networks
专知会员服务
156+阅读 · 2020年5月26日
【AAAI2020知识图谱论文概述】Knowledge Graphs @ AAAI 2020
专知会员服务
134+阅读 · 2020年2月13日
相关资讯
AAAI2020 图相关论文集
图与推荐
11+阅读 · 2020年7月15日
Graph Neural Networks 综述
计算机视觉life
30+阅读 · 2019年8月13日
Hierarchically Structured Meta-learning
CreateAMind
27+阅读 · 2019年5月22日
简评 | Video Action Recognition 的近期进展
极市平台
20+阅读 · 2019年4月21日
逆强化学习-学习人先验的动机
CreateAMind
16+阅读 · 2019年1月18日
Fully-Convolutional Siamese Networks for Object Tracking论文笔记
统计学习与视觉计算组
9+阅读 · 2018年10月12日
笔记 | Deep active learning for named entity recognition
黑龙江大学自然语言处理实验室
24+阅读 · 2018年5月27日
可解释的CNN
CreateAMind
17+阅读 · 2017年10月5日
Top
微信扫码咨询专知VIP会员