基于中心差分转换器图卷积的骨架识别模型
何璠1 林亮2 张楠3

1江西工程学院，江西新余，338000；

2江西邻通科技有限公司，江西新余，338000；

3中国电信南昌分公司，河南商丘，476000；

摘要：当前骨架动作识别的主流方法多采用时空图卷积技术。然而，此类方法不仅导致特征提取缺乏足够的灵活性，且局限于对节点信息的聚焦，难以充分挖掘数据中的深层关联。因此，提出了一个CDGT的新型模型用于骨架动作识别。该模型首先对骨架数据进行精准建模，将关节与骨骼的运动信息分别输入模型进行初步处理；随后，经过预处理的数据被传送至CDGC模块进行聚焦节点自身信息与节点间的关联信息。处理之后，模型会调用提出的STT模块，有效捕捉被关节标记的空间依赖关系与时间依赖关系。为验证CDGT模型的性能，在大型数据集NTU-RGB+D60上进行了系统的训练与验证，并将其结果与基线方法ASGC-STT对比。实验结果显示，在数据集的两个交叉子集CS和CV上，该模型的准确率分别提升了0.17%和0.62%。实验结果充分证明，提出的CDGT网络能够有效增强骨架动作识别的性能，并且在大型数据集上展现出了显著且稳定的效果。

关键词：动作识别;时空图卷积；中心差分算法；时空转换器

参考文献

[1]何璠.基于注意力机制骨架动作识别的算法研究[D].江西:江西理工大学,2022.

[2]赵俊男、佘青山、孟明、陈云.基于关节点距离特征图的骨架动作识别方法[J].计算机学报，2023,46(3):567-576.

[3]杨世强,杨江涛,李卓,王金华,李德信.基于LSTM神经网络的人体动作识别[J].图学学报,2021,42(2):174-181.

[4]刘红，赵亮等.语义引导下多流自适应拓扑推理图卷积网络的人体动作识别[J].广东工业大学学报，2022,39(6):88-95.

[5]李扬志,袁家政,刘宏哲等.基于时空注意力图卷积网络的人体骨架动作识别算法[J].计算机学报，2021,44(5):937-949.

[6]金成铭，应忍冬，王伟行等.基于三维双流网络的深度图人体动作识别[J].信息技术，2022(04):44-48+53.

[7]白杉，冯秀芳.基于注意力增强的中心差分自适应图卷积的骨架行为识别[J].国防科技大学学报，2023,45(4):177-184.

[8]琚生根,黄方怡,孙界平.稀疏移位图卷积网络的轻量化骨架动作识别[J].软件学报，2022,33(5):1617-1629.

[9]琚生根,黄方怡,孙界平.基于多尺度慢快图卷积的轻量化骨架动作识别[J].软件学报，2022,33(12):4117-4129.

[10]王磊，张宇，李明等.ASGC-STT:基于自适应空间图卷积和时空Transformer的人体行为识别[J].计算机应用研究，2024,41(12):1-10.

[11]王磊，张宇，李明等.解耦时空注意网络（DSTANet）的骨架动作识别[J].自动化学报，2024,50(8):1895-1906.