CN116092182B 一种基于多维动态拓扑学习图卷积的骨架动作识别方法 （江西理工大学）_第1页
CN116092182B 一种基于多维动态拓扑学习图卷积的骨架动作识别方法 （江西理工大学）_第2页
CN116092182B 一种基于多维动态拓扑学习图卷积的骨架动作识别方法 （江西理工大学）_第3页
CN116092182B 一种基于多维动态拓扑学习图卷积的骨架动作识别方法 （江西理工大学）_第4页
CN116092182B 一种基于多维动态拓扑学习图卷积的骨架动作识别方法 （江西理工大学）_第5页
已阅读5页，还剩18页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

号一种基于多维动态拓扑学习图卷积的骨架本发明提供了一种基于多维动态拓扑学习拓扑学习图卷积中我们提出动态骨架拓扑建模2特征在通道划分后分别输入J_GC与DTW_GC中并行地学习纯粹节点拓扑结构与动态时序特3高语义层次的结构信息，因此使用骨架数据进行动作识别可以提高计算效率和识别性能，建模通道和时序特异拓扑结构，其中包含一种新颖的多维动态拓扑学习图卷积，简称为4局时空信息在各个数据维度上自适应建模拓扑结构，用它构造的网络仅需要5层就可以超输入特征在通道划分后分别输入J_GC与DTW_GC中并行地学习纯粹节点拓扑结构与动态时将该6种数据输入分别重复S1与S2的时空建模过程，将6种不同的特征输出进行相加融合，集NTU_RGB+D与NTU_RGB+D120上进行了大量实验，结果表明利用MD2TL_GC所构造的网络MD2TL_GCN获得了优越的性能，与ST_GCCS和CV基准上分别获得了+11.14％和+8.06％的显5的纯粹节点拓扑结构c,"与数据特定的纯粹节点拓扑结构G",其中c,"与输入特征没有[0028]J_GC利用动作特定的纯粹节点拓扑结构O,"与数据特定的纯粹节点拓扑结构6[0031]如图3(c)所示，TIB包含时序特异性拓扑和用于调整时序拓扑的动作特定拓[0037]随后对该动态骨架进行卷积映射，用以获取到包含全局时空特征的拓扑结构信[0039]DSTL学习到的动态骨架拓扑Gd具有全局时序维感受野，在此基础上进行图卷积，7全局时序信息的动态骨架拓扑Gd与时序维特异性拓扑Gt进行融合，在此基础上再进行图卷的自相关性融合于邻接矩阵中。之后，使用w,r进行维度调整得到通道特异性拓扑结构8[0051]CW_GC也使用了动作特定的可学习邻接矩阵G,",用于自适应调整C:"。其图卷积通道数降为输入通道数的1/4，然后分别使用空洞率D为1和卷积核大小Kt＝5的空洞卷积、分支的结果进行通道拼接获得最终的输出。[0058]人体关节点自然连接得到的每条边作为一个骨骼，用它关联的两相邻节点的3维们分别通过计算每个节点与中心节点之间的相对坐标向量和每个骨骼与中心骨骼之间的9确率在逐步提升，当全部替换之后，MD2TL_GCN的识别准确率比ST_GCN_L5+MS_TC高了[0065]表2、表3比较了本发明提出的方法即MD2TL_GCN与其他方法两个大规模骨架动作于当前所有主流方法，特别是在NTU_RGB+D120数据集的X_Sub评价指标和NTU_RGB+D数据集的CS评价指标上，与当前最先进的方法CTR_GCN相比，识别精度分别提升了0.39％和[0066]在图7中我们还进一步比较了MD2TL_GCN与ST_GCN、AAGCN和CTR_GCN算法在NTU_图卷积算法相比，我们所提出的MD2TL_GCN可以有效地提取到长时动作中多种微妙的运动NTU_RGB+D和NTU_RGB+D120上的实验结果证明了动态骨架拓扑和多维特异性拓扑能学习到更细微的动作差别，提出的网络模型MD2

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论