论文笔记-Richly Activated Graph Convolutional Network for Robust Skeleton-based Action Recognition

Hello，今天是论文阅读计划的第5天啦。
今天这篇论文比较简单，没有什么特别复杂的技术。

一、论文题目关键词提取

Richly：丰富地。为什么称之丰富的呢？丰富地激活了什么呢？
Robust： 鲁棒的。提取的特征更具备鲁棒性？
带着疑问往下阅读。

二、研究背景

这个NTU数据集上目前都是直接识别分类的，但实际真实情况下，会出现物体遮挡、自遮挡等情况。现有的算法在缺失的情况下，性能下降非常多非常快。本篇论文的Baseline是ST-GCN。

三、研究目标 & 内容

目标：提升ST-GCN的准确率，在遮挡的情况下，尽可能的减少性能损失

内容：通过设计多流的方式，使用MASK的方式来将已经激活的节点过滤掉，强制在还未识别到的关节点上进行识别，来激活那些还未识别到的关节点，提取到更丰富的特征。

四、方法

整体框架图：

注意他的数据处理这部分，将原数据x进行了时间差得到Motion运动信息，以及将原数据x做了相对坐标的处理，然后将其Concat起来形成了9维数据。

模型这部分呢主要是将ST-GCN的模型重复了三流，这中间使用了CAM的方式来保存和传递信息，是下一流的模型更能专注在那些还未被识别到的关节点上。

损失函数这块呢，是把每一流的损失进行了整合。

作者自己合成的缺失数据集：

分别做了时间帧、身体部分、区域、以及一些随机的遮挡和干扰。这也是本文的一个较为突出的贡献点。
作者提出的模型有利于在这种缺失或干扰的情况下进行动作的识别。

五、总结

本文模型上的创新在于使用了mask的方式来连接了多流的网络，以及提出了自己合成的数据集。提供了一个新的思路。所以之后有一篇论文专门做了合成干扰、噪声的数据集。
本篇论文在性能和效率上都有提升的空间。不过要是能有自己很全新的idea当然更好。