轻量级多信息图卷积神经网络动作识别方法

TP391; 针对如何在保持低参数量和低计算量前提下构建高性能模型的问题,提出一种轻量级多信息图卷积神经网络(LMI-GCN).LMI-GCN通过将关节坐标、关节速度、骨骼边、骨骼边速度四种不同信息编码至高维空间的方式进行信息融合,并引入可以聚合重要特征的多通道自适应图和分流时间卷积块以减少模型参数量.同时,提出一种随机池数据预处理方法.在NTU-RGB+D120数据集上与基线方法SGN(语义引导神经网络)相比,在两种评估设置cross-subject和cross-setup上提高5.4％和4.7％.实验结果表明,LMI-GCN性能高于SGN....

Full description

Saved in:
Bibliographic Details
Published in计算机应用研究 Vol. 39; no. 4; pp. 1247 - 1252
Main Authors 井望, 李汪根, 沈公仆, 范宝珠
Format Journal Article
LanguageChinese
Published 安徽师范大学 计算机与信息学院,安徽 芜湖241002 2022
Subjects
轻量级;图卷积神经网络;动作识别;多通道自适应图;随机池数据预处理
Online AccessGet full text
ISSN1001-3695
DOI10.19734/j.issn.1001-3695.2021.07.0329

Cover

More Information
Summary:TP391; 针对如何在保持低参数量和低计算量前提下构建高性能模型的问题,提出一种轻量级多信息图卷积神经网络(LMI-GCN).LMI-GCN通过将关节坐标、关节速度、骨骼边、骨骼边速度四种不同信息编码至高维空间的方式进行信息融合,并引入可以聚合重要特征的多通道自适应图和分流时间卷积块以减少模型参数量.同时,提出一种随机池数据预处理方法.在NTU-RGB+D120数据集上与基线方法SGN(语义引导神经网络)相比,在两种评估设置cross-subject和cross-setup上提高5.4％和4.7％.实验结果表明,LMI-GCN性能高于SGN.
ISSN:1001-3695
DOI:10.19734/j.issn.1001-3695.2021.07.0329