论文笔记之ST-GCN

通过将图卷积网络扩展到时空图模型，设计了一种（用于动作识别的骨架序列）的通用表示。
AAAI 2018 录用
论文地址：https://arxiv.org/abs/1801.07455

1. 摘要

动态人体骨架模型带有进行动作识别的重要信息，传统的方法通常使用手工特征或者遍历规则对骨架进行建模，从而限制了表达能力并且很难去泛化。

作者提出了一个新颖的动态骨架模型ST-GCN，它可以从数据中自动地学习空间和时间的patterns，这使得模型具有很强的表达能力和泛化能力。

在Kinetics和NTU-RGBD两个数据集上achieve substantial improvements over mainstream methods（与主流方法相比，取得了质的提升）。

2. 相关工作

（1）图卷积网络主要有两种主流方法：

基于光谱的观点（spectral perspective）：图卷积中的位置信息被看做是以光谱分析的形式。

基于空间的观点（spatial perspective）：卷积核直接被应用在图节点和他们的邻居节点。

作者采用第二种做法，限制每一个滤波只应用到一个节点的一个邻域。

（2）基于骨架的动作识别：

基于手工特征的方法：设计几种手工特征去捕获连接点的运动信息，比如，关节点轨迹的协方差矩阵。

基于深度学习的方法：循环神经网络，端到端进行动作识别。

在这些方法中，许多都强调了人体各部分关节建模的重要性。但是这些部分通常是使用领域知识显式分配的。作者是第一个将图卷积网络应用在基于骨架的动作识别任务中的。它和以前的方法都不同，可以隐式地通过图卷积网络将位置信息和时序动态信息结合起来。

3. 本文方法

在现有的基于骨架的动作识别方法中提出，body parts的信息对于基于骨架的动作识别非常有效。作者提出，性能的提升主要是body parts比整个骨架具有更多的局部特征，因此有了用局部信息层级表示的骨架序列，因此有了ST-GCN。

3.1 总体结构

给出一个动作视频的骨架序列信息，首先构造出表示该骨架序列信息的图结构，ST-GCN的输入就是图节点上的关节坐标向量，然后是一系列时空图卷积操作来提取高层的特征，最后用SofMax分类器得到对应的动作分类。整个过程实现了端到端的训练。

3.2 骨架的图结构

设一个有N个节点和T帧的骨架序列的时空图为G=(V,E)，其节点集合为V={vti|t=1,…,T,i=1,…,N}，第t帧的第i个节点的特征向量F(vti)由该节点的坐标向量和估计置信度组成。

图结构由两个部分组成：

• 根据人体结构，将每一帧的节点连接成边，这些边形成spatial edges ES={vtivtj|(i,j)∈H}。H是一组自然连接的人体关节。
• 将连续两帧中相同的节点连接成边，这些边形成temporal edges EF={vtiv(t+1)i}。
  
  蓝色圆点表示身体关节。人体关节间的体内边缘是根据人体的自然联系来定义的。帧间边缘连接连续帧之间的相同关节。关节坐标用作ST-GCN的输入。

3.3 空间图卷积网络

以常见的图像的二维卷积为例，针对某一位置x的卷积输出可以写成如下形式：

输入通道数为c的特征图fin，卷积核大小K∗K，sampling function采样函数p(x,h,w)=x+p′(h,w)，weight function通道数为c的权重函数。

（1）sampling function
在图像中，采样函数p(h,w)指的是以x像素为中心的周围邻居像素，在图中，邻居像素集合被定义为：B(vti)={vtj|d(vtj,vti)≤D}，d(vtj,vti)指的是从vtj到vti的最短距离，因此采样函数可以写成p(vti,vtj)=vtj，这里的p(vti,vtj)=vtj。

（2）weight function
在2D卷积中，邻居像素规则地排列在中心像素周围，因此可以根据空间顺序用规则的卷积核对其进行卷积操作。类比2D卷积，在图中，将sampling function得到的邻居像素划分成不同的子集，每一个子集有一个数字标签，因此有lti:B(vti)→{0,…,K−1}。将一个邻居节点映射到对应的子集标签，权重方程为w(vti,vtj)=w′(lti(vtj))。

（3）空间图卷积

其中，归一化项等价于对应子集的基。将上述公式带入上式得到：

（4）时空模型
将空间域的模型扩展到时间域中，得到的sampling function为，Γ控制时间域的卷积核大小，weight function为
其中，lti（vtj）是vti处单帧情况的标签映射。这样，就对构造的时空图定义了卷积运算。

3.4 划分子集的方式

（a）输入骨架的示例帧，身体关节用蓝点绘制。D=1的滤波器的接收域用红色虚线圆圈表示。

（b）唯一划分 Uni-labeling：将节点的1邻域划分为一个子集。

（c）基于距离的划分 Distance partitioning：将节点的1邻域划分为两个子集，节点本身子集与邻节点子集。

（d）空间构型划分 Spatial configuration partitioning：将节点的1邻域划分为3个子集，第一个子集连接了空间位置上比根节点更远离整个骨架的邻居节点，第二个子集连接了更靠近中心的邻居节点，第三个子集为根节点本身，分别表示了离心运动、向心运动和静止的运动特征。

3.5 注意力机制

在运动过程中，不同的躯干重要性是不同的。例如腿的动作可能比脖子重要，通过腿部我们甚至能判断出跑步、走路和跳跃，但是脖子的动作中可能并不包含多少有效信息。

因此，ST-GCN 对不同躯干进行了加权（每个 st-gcn 单元都有自己的权重参数用于训练）。

3.6 TCN

GCN 帮助我们学习了到空间中相邻关节的局部特征。在此基础上，我们需要学习时间中关节变化的局部特征。如何为 Graph 叠加时序特征，是图卷积网络面临的问题之一。这方面的研究主要有两个思路：时间卷积（TCN）和序列模型（LSTM）。

ST-GCN 使用的是 TCN，由于形状固定，可以使用传统的卷积层完成时间卷积操作。为了便于理解，可以类比图像的卷积操作。st-gcn 的 feature map 最后三个维度的形状为(C,V,T)，与图像 feature map 的形状(C,W,H)相对应。

• 图像的通道数C对应关节的特征数C。
• 图像的宽W对应关键帧数V。
• 图像的高H对应关节数T。

在图像卷积中，卷积核的大小为『w』×『1』，则每次完成 w 行像素，1 列像素的卷积。『stride』为 s，则每次移动 s 像素，完成 1 行后进行下 1 行像素的卷积。

在时间卷积中，卷积核的大小为『temporal_kernel_size』× 『1』，则每次完成 1 个节点，temporal_kernel_size 个关键帧的卷积。『stride』为 1，则每次移动 1 帧，完成 1 个节点后进行下 1 个节点的卷积。

3.7 训练

输入的数据首先进行batch normalization，然后在经过9个ST-GCN单元，接着是一个global pooling得到每个序列的256维特征向量，最后用SoftMax函数进行分类，得到最后的标签。

每一个ST-GCN采用Resnet的结构，前三层的输出有64个通道，中间三层有128个通道，最后三层有256个通道，在每次经过ST-CGN结构后，以0.5的概率随机将特征dropout，第4和第7个时域卷积层的strides设置为2。用SGD训练，学习率为0.01，每10个epochs学习率下降0.1。

4. 实验

4.1 消融实验

用distance partition和uni-labeling之间的一个中间物进行实验，称为“ distance partition* ”。在该设置中，作者将距离划分中的两个子集的权重绑定为仅通过缩放因子±1或w0=±w1而不同。这个设置仍然比uni-labeling获得更好的性能，证明了使用多个子集进行分区的重要性。

ST-GCN+Imp为ST-GCN+注意力机制

4.2 SOTA对比

（1）Kinetics数据集上

（2）NTU-RGB+D数据集上