An Attention Enhanced Graph Convolutional LSTM Network for Skeleton-Based Action Recognition

论文链接：https://arxiv.org/pdf/1902.09130.pdf

摘要

       基于骨架的动作识别是一个非常重要的任务，需要足够的理解移动特点一个人活动，从给定的骨架序列。最近的研究已经展示，探索空间和时间的特征在骨架序列上，是非常重要的对于这个任务。尽管，如何去有效去提取有判断力的空间和时间特征仍然是一个具有挑战的问题。在这篇文章中，我们提出一个新颖的注意增强图卷积LSTM网络（AGC-LATM）来对人类动作进行识别从骨架数据中。提出的AGC-LSTM不仅能捕获有判别特征在空间配置和时间的动态，也能探索共现关系在空间和时间领域中。我们也展示一个时间分层框架来增强时间接收领域在AGC-LSTM顶层，促进这个能力去学习高水平的语义表现和最要的是减少计算损失。此外，去选择明显的空间信息，注意机制用来去增强关键的信息点在每一个AGC-LSTM层。实验结果在两个数据集上所提供：NTU RGB+D 数据集和 Northwestern-UCLA数据集。比较结果证明我们的方法是有效的和展示我们的方法超过当前先进的方法，在两个数据集上。

                                                           

 

                                               

 

结论

      前部分内容与摘要中相同。在将来，我们将尝试结合骨架序列和对象外观来推动性能，在人类动作识别上。