图卷积-动作识别-姿态预测三篇论文归纳

名称	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	主要任务：动作识别 次要任务：未来的姿态预测	将CNN推广到图 利用GSP工具将CNN推广到图的数学和计算基础	开发和研究骨骼人体运动数据的学习表示，作为生成模型和特征提取器
特点	1、捕捉关节内在依赖关系 2、预测未来帧	1、避免了使用显式傅里叶基，计算效率更高 2、多层扩散和节点局部操作 3、能够通过图卷积层提取局部特征和平稳特征	1、人体运动数据的特征提取 2、骨骼动作预测 3、卷积滤波器需要覆盖所有关节的范围以捕捉肢体相关性，使卷积发生在时间方向上 4、对整个动作序列进行分类
技术	1、提出A-link推理模块，用于推断捕获特定于动作的潜在依赖关系的动作链接，将动作连杆组合成广义骨架图 2、多图动作卷积网络（AS-GCN）提取时空信息 3、引入额外的未来姿态预测头 4、每个ST-GCN块包含一个空间图卷积和一个时间卷积，可以同时提取空间和时间特征，最后一个ST-GCN块连接到一个完全连接的分类器，生成最终预测。 关键部分：每个关节相邻特征的加权平均 5、自我监督 6、门控递归单元（GRU）传播信息 7、LSTM学习时间特征	1、光谱规划 2、严格局部过滤器 3、高效池 4、TensorFlow 5、在图上设计局部卷积滤波器 6、将相似的顶点组合在一起的图粗化过程	1、开发了无监督学习方案，用于长期预测日常人体运动，而不局限于一小组动作 2、笔者团队学习的低维表示可以用于动作分类 3、基于滑动窗口的长期预测 4、主要使用识别作为验证工具 5、GPFA（高斯过程因子分析），揭示事件数据的非线性相关性
精确度	1、优于目前最先进的方法 2、训练集：37920 测试集：18960		1、在动作预测方面的表现优于更复杂的深度学习模型、优于目前最先进的方法，并且能够预测更大范围的运动 2、数据库包含144名不同受试者的2235段录音，录音采样率60hz
数据集	NTU-RGB+D/dynamics两个骨架数据集	MNIST 20NEWS	CMU mo-cap
链接	https://github.com/limaosen0/AS-GCN	https://github.com/mdeff/cnn_graph	无
缺点	腿脚次要信息误差大		长期预测的预测误差增加
优点	未来关节位置的低误差，特别是具有特征的动作身体部位	1、低计算复杂度，计算效率高 2、打破了CNN模型不能对内核的局部支持提供精确的控制的限制	1、能够推断出未来的框架 2、对特定动作的微调降低了预期误差，在长期预测和原始训练数据中不包含的动作尤其有效 3、能够填充缺失的信息 4、直接将最近的历史传递给模型，从而避免了递归网络训练的困难和周期性运动的趋势 5、低计算复杂度，适用于在线任务
相关图

​

​