共计 2654 个字符，预计需要花费 7 分钟才能阅读完成。
Spatial Residual Layer and Dense Connection Block Enhanced Spatial Temporal Graph Convolutional Network for Skeleton-Based Action Recognition
起源
| 作者单位 | 会议 | 论文地址 | 代码 |
|---|---|---|---|
| 江南大学 | ICCV 2019 | 论文地址 | 暂无 |
翻新点
引入了空间残差层来捕捉和交融时空特色
在先前的工作中，时空层包含空间图卷积和工夫卷积。然而不同卷积的序列叠加会混合不同域的信息，从而导致辨认不精确。通过引入跨域空间残差卷积，能够加强时空信息
此外，提出了一个密集连贯块来提取全局信息
它由多个空间残差层组成。在这些层中，能够通过密集连贯来传递信息。
联合下面提到的两个组件来创立了一个时空图卷积网络(ST-GCN), 称为 SDGCN
图 1. 该办法将 2D 空间卷积与 1D 工夫卷积集成在一起，用于时空特色示意，用于基于骨骼的动作辨认。蓝色方块代表空间图卷积，黄色代表工夫卷积。
网络结构
次要工作：空间残差层和密集连贯块加强的时空图卷积网络
空间残差层 Spatial Residual Layer (SRL)
ResNet 首先通过引入残差构造来提出残差连贯的概念，其中输出节点信息通过恒等映射传递。残差映射的想法是删除雷同的次要局部，从而突出显示较小的更改。通过引入残差映射，整个构造对输入的变动更加敏感。残差层能够看作是一个放大器，通过正当的设置，敏感信息会被放大，因而残差连贯只须要关怀它须要学习的内容即可。
图 2. 空间残差 ST-GCN 层。下部是 ST-GCN 层，由空间图卷积和工夫卷积组成，上部是空间图卷积。就像在 ResNet 中一样，残差连贯的输出与 ST-GCN 层雷同，而后将从残差连贯取得的输入增加到 ST-GCN 层的输入中，相加的后果是最终的输入。
这里的空间残差连贯是跨域的。时空交融网络由空间图卷积分支和时空卷积分支组成。恒等映射是图中的上流。与原始的 ResNet 不同，此处的恒等映射由图卷积组成，该图卷积也能够视为非凡的双流构造，其中一个流学习动态特色，而另一个流学习时空特色。通过 2D 空间图卷积，能够提取动态空间特色。因为残差连贯，残差图将留神动态空间信息。原始层只须要器重时空信息。这种设计使 GCN 能够更无效地从视频中学习重要信息。
密集连贯块 Dense Connection Block (DCB)
它的构造非常简单，由几个密集的连贯块组成。在每个块中，每个图层的特色图都与雷同尺度的所有先前特色连贯在一起。通过引入密集连贯，将重用每一层的特色。一方面，应用大量的计算，能够取得更丰盛的特色图。另一方面，重用特色更弱小，因而缩小了不同层之间的依赖性。
图 3. 每个密集的连贯块都蕴含几个空间残差层。在这里，除了第一层或最初一层，每层输出特色的大小与上一层的输入大小完全相同。
在每个密集连贯块中，每一层都已连贯到所有后续层。在通道中将它们全副串联 在一起。这样，能够在当前的层中重用先前层所提取的大多数信息。就像 DenseNet 一样，此块容许整个网络充分利用全局信息。最重要的是，从特色的角度来看，通过特色重用和旁路设置，能够大大减少网络参数的数量，并在肯定水平上缓解了梯度隐没的问题。另一方面，每一层的输出不仅包含前一层的输入，而且还包含其余先前的层。这也进步了网络的健壮性。
总体构造
在这里，将空间残差层和密集连贯块组合在一起，以造成最终的体系结构，称为 SDGCN。留神，几个空间残差层形成一个块。引入密集连贯来连贯每个块中的这些层。整个网络结构由 3 个密集连贯块组成。在每个块中，通道大小的设置能够充分利用密集连贯。采纳原始 ST-GCN 的设置，这确保了所提出的办法能够利用于罕用的 ST-GCN 构造。
图 4. 左：基于 DCB1 的 SDGCN。遵循规范的 ST-GCN 模型来设计模型。右：基于 DCB2 的 SDGCN。与左图相比，为了充沛探讨密集连贯的作用，引入了更多的层和密集连贯。空心圆示意 SRL。
试验局部
融化试验
表 1. 在 Kinetics 数据集上的融化试验。SRL 示意空间残差层，DCB 示意密集连贯块(DCB1 和 DCB2)，如图 4 所示。报告了在 Kinetics 数据集上的 TOP- 1 和 TOP- 5 准确率。
表 2. 在 NTU-RGB+ D 数据集的融化试验。咱们报告穿插对象和穿插视图数据上的准确性。其余符号与 Tab 雷同。只上报 TOP- 1 准确率。
对 Kinetics 和 NTU-RGB + D 进行具体的试验比拟
空间残差层
首先以 STGCN 为基准，摸索跨域空间残差层的有效性
与原始构造相比，对于由空间图卷积运算和工夫卷积串联组成的每个时空构造，咱们向原始网络引入空间残差连贯，简称为 SRL，并保留其余条件不变
发现与基线办法相比，带有 SRL 的 ST-GCN 体现出显著的改良
在 Kinetics 上，性能进步了 2.61%
对于 NTU-RGB + D，Cross-Subject 和 Cross-View 的性能别离进步了 1.75%和 2.76%
密集连贯块
DCB1 基于原始构造，蕴含 10 层。为了演示密集连贯的作用，设计了 DCB2，它蕴含 12 层
具备 DCB1 的 ST-GCN 的性能进步了 1.51%，具备 DCB2 的 ST-GCN 的性能进步了 2.48%
显然，密集的连贯为咱们的网络做出了很大的奉献，然而，随着密集连贯的减少，网络参数的数量迅速减少。此外，自觉的累积网络复杂性可能导致某些数据集的模型适度拟合。
后果比拟
为了进行全面的比拟，抉择将咱们的办法与两个重要的基线相比：ST-GCN 和 2s-AGCN。第一个基准是基于骨骼的动作辨认方面的开创性工作，而 2s-AGCN 是最新的最佳办法。将 SRL 和 DCB 合并在一起以报告最终后果。最终模型表示为 SDGCN。
与基于 ST-GCN 的办法相比，在 Kinetics 上的准确性进步到 34.06%，在 Cross-Subject 和 Cross-View 测试中别离进步到 84.04%和 91.43%。
当 2s-AGCN 作为基准时，在 Kinetics 上，所提出的办法达到了 37.35%的精度。在 NTU-RGB + D 上，Cross-Subject 和 Cross-View 数据的准确度别离为 89.58%和 95.74%
表 3 与目前最先进的办法在 Kinetics 数据集上的比拟
表 4. 在 NTURGB+ D 上与现有办法的比拟
小结
提出了一个对立的时空图卷积网络框架，称为 SDGCN，以进步基于骨架的动作辨认的性能。通过引入跨域空间图残差层和密集连贯块，充分利用了时空信息，进步了时空信息处理的效率。能够很容易地将其合并到支流的时空图网络中。
