圖卷積-動作識別-姿態預測三篇論文歸納

名稱	Actional-Structural Graph Convolutional Networks forSkeleton-based Action Recognition	Convolutional Neural Networks on Graphswith Fast Localized Spectral Filtering	Deep representation learning for human motion prediction and classification
目的	主要任務：動作識別 次要任務：未來的姿態預測	將CNN推廣到圖 利用GSP工具將CNN推廣到圖的數學和計算基礎	開發和研究骨骼人體運動數據的學習表示，作爲生成模型和特徵提取器
特點	1、捕捉關節內在依賴關係 2、預測未來幀	1、避免了使用顯式傅里葉基，計算效率更高 2、多層擴散和節點局部操作 3、能夠通過圖卷積層提取局部特徵和平穩特徵	1、人體運動數據的特徵提取 2、骨骼動作預測 3、卷積濾波器需要覆蓋所有關節的範圍以捕捉肢體相關性，使卷積發生在時間方向上 4、對整個動作序列進行分類
技術	1、提出A-link推理模塊，用於推斷捕獲特定於動作的潛在依賴關係的動作鏈接，將動作連桿組合成廣義骨架圖 2、多圖動作卷積網絡（AS-GCN）提取時空信息 3、引入額外的未來姿態預測頭 4、每個ST-GCN塊包含一個空間圖卷積和一個時間卷積，可以同時提取空間和時間特徵，最後一個ST-GCN塊連接到一個完全連接的分類器，生成最終預測。 關鍵部分：每個關節相鄰特徵的加權平均 5、自我監督 6、門控遞歸單元（GRU）傳播信息 7、LSTM學習時間特徵	1、光譜規劃 2、嚴格局部過濾器 3、高效池 4、TensorFlow 5、在圖上設計局部卷積濾波器 6、將相似的頂點組合在一起的圖粗化過程	1、開發了無監督學習方案，用於長期預測日常人體運動，而不侷限於一小組動作 2、筆者團隊學習的低維表示可以用於動作分類 3、基於滑動窗口的長期預測 4、主要使用識別作爲驗證工具 5、GPFA（高斯過程因子分析），揭示事件數據的非線性相關性
精確度	1、優於目前最先進的方法 2、訓練集：37920 測試集：18960		1、在動作預測方面的表現優於更復雜的深度學習模型、優於目前最先進的方法，並且能夠預測更大範圍的運動 2、數據庫包含144名不同受試者的2235段錄音，錄音採樣率60hz
數據集	NTU-RGB+D/dynamics兩個骨架數據集	MNIST 20NEWS	CMU mo-cap
鏈接	https://github.com/limaosen0/AS-GCN	https://github.com/mdeff/cnn_graph	無
缺點	腿腳次要信息誤差大		長期預測的預測誤差增加
優點	未來關節位置的低誤差，特別是具有特徵的動作身體部位	1、低計算複雜度，計算效率高 2、打破了CNN模型不能對內核的局部支持提供精確的控制的限制	1、能夠推斷出未來的框架 2、對特定動作的微調降低了預期誤差，在長期預測和原始訓練數據中不包含的動作尤其有效 3、能夠填充缺失的信息 4、直接將最近的歷史傳遞給模型，從而避免了遞歸網絡訓練的困難和週期性運動的趨勢 5、低計算複雜度，適用於在線任務
相關圖

​

​