CTR-GCN 论文解读

原创 已于 2023-05-17 11:00:05 修改 · 3k 阅读 · 12
于 2023-04-11 16:51:53 首次发布
论文提出了一种新的通道拓扑优化图卷积（CTR-GC），用于基于骨骼的动作识别。CTR-GC通过学习共享拓扑并用每个通道的特定相关性细化，动态建模通道拓扑，提高了图卷积的表示能力。在 NTU RGB+D, NTU RGB+D 120 和 NW-UCLA 数据集上，CTR-GCN 模型超越了当前最先进的方法。" 123189192,5615974,深入解析：利用二分查找求解H指数,"['算法', '数据结构', '二分查找', 'Java']

CTR-GCN 是中科院自动化所发表在 ICCV 2021 会议上的一个基于骨骼关键点的动作识别模型，其在学界的常用的几个基准数据集上均取得了目前最优的结果。

论文：基于骨骼动作识别的通道拓扑细化图卷积

摘要

图卷积网络(GCNs)在基于骨骼的动作识别中得到了广泛的应用并取得了显著的效果。在 GCNs 中，图拓扑在特征聚集中占主导地位，因此是提取代表性特征的关键。

在这项工作中，我们提出了一种新的通道拓扑优化图卷积(CTR-GC)，以动态学习不同的拓扑，并有效地聚合不同通道中的关节特征，用于基于骨骼的动作识别。提出的 CTR-GC 通过学习共享拓扑作为所有通道的通用先验，并

标签
#CTR-GCN #GCN #论文解读
了解本专栏 订阅专栏 解锁全文
图神经网络：ST-GCN、AS-GCN、2S-AGCN、MS-G3D、CTR-GCN
weixin_52435934的博客
08-08 2032
在CNN中，对一个以x为中心，宽为w，高为h的区域做卷积，其输出可以表达为以下形式：当h=3，w=3，步长、padding都为1时，它就是一个3*3卷积核的计算公式。本文真正采用的方法，r表示节点到重心的距离，将节点的1邻域划分为3个子集：根节点本身、空间位置上比根节点更远离整个骨架的邻居节点、更靠近中心的邻居节点、如上图所示，要得到结点B的聚合特征时，会分配较大的权重给B（其自身，度为3），而给E（度为5）更小的权重。人体关节对应图的节点，人体身体结构的连通性和时间上的连通性对应图的两类边。
动作识别论文---CTR-GCN
围白的尾巴
05-03 9731
Channel-wise Topology Refinement Graph Convolution for Skeleton-Based Action Recognition 论文地址：https://arxiv.org/abs/2107.12213 仓库地址：https://github.com/Uason-Chen/CTR-GCN 这篇论文于2021年发表在ICCV。 一、存在的问题： 基于GCN的算法所有通道共享同一套拓扑结构，这样限制了模型的能力上限。作者认为不同的通道（...
CTR-GCN 代码理解
一杯水果茶！足矣~
04-21 2902
CTR-GCN 代码理解
骨架行为识别基线模型: CTR-GCN论文解读+代码分析
weixin_45595504的博客
05-09 7772
骨架行为识别是指通过分析人体骨架的运动轨迹和姿态，来识别和理解人体的行为动作。它是计算机视觉和模式识别领域的一个重要研究方向，具有广泛的应用前景，如人机交互、智能监控、运动分析等。谈到骨架行为识别，不得不提OpenPose算法。该算法是一种基于深度学习的姿态估计算法，用于从图像或视频中检测和跟踪人体的关键点和姿态信息。它由卡耐基梅隆大学的研究团队开发，旨在实现对多人姿态的准确和实时估计。只需要将视频或者图片在项目中部署路径，即可进行姿态估计。openpose算法github地址。
CTR-GCN、HD-GCN：图卷积网络在骨骼动作识别中的应用（二）
weixin_73611281的博客
11-23 5986
CTR-GCN和HD-GCN是骨架动作识别中的两种方法，前者通过交叉时空卷积实现高效特征提取，后者通过基于图卷积的分层设计提升了动作识别的精度和鲁棒性
PPSIG：CTR-GCN 动作识别
m0_63642362的博客
08-20 2235
数据集为fsd-10花样滑冰，项目为CTR-GCN动作识别，可直接运行，acc为0.60
Channel-wise Topology Refinement Graph Convolution for Skeleton-Based Action Recognition[ICCV2021]
Iron_lyk Blog
05-22 2420
Paper: https://openaccess.thecvf.com/content/ICCV2021/papers/Chen_Channel-Wise_Topology_Refinement_Graph_Convolution_for_Skeleton-Based_Action_Recognition_ICCV_2021_paper.pdf Code: https://github.com/Uason-Chen/CTR-GCN motivation st-gcn的拓扑关系是手动定义的，很难实
图卷积相关论文解读 CTR-GCN
qq_54407673的博客
05-15 2581
CTR-GCN的突出贡献有2点：第一，提出一种通道拓扑细化模块，该模块通过对通道维度的压缩与聚合，对每个通道运用不同的图卷积网络进行特征提取。第二，ctr-gc与简化后的多尺度时间卷积模块MS-TCN模块结合，构成了CTR-GCN架构，该模型参数量小，同时相较于baseline提升巨大。M1（·）本质上计算了ψ（xi）和φ（xj）之间的距离，并利用这些距离的非线性变换作为vi和vj之间的信道特定拓扑关系。主要的区别是，使用更少的分支，因为太多的分支会降低推理速度。，CTR-GC以信道级的方式聚合特征。
CTR-GCN源代码复现（skeleton-based Human Action Recongnition）
qq_42814766的博客
02-28 5615
skeleton-based Human Action recongnition复现CTR-GCN源代码
【CTR模型系列汇总】十五篇博文、十九个模型梳理CTR预估模型（20220802更新）
chadlee
03-21 3799
一、【机器学习基础04】矩阵分解（Matrix Factorization） 二、【特征交叉-CTR】FM-based Recommendation Model：FM、FFM 三、【特征交叉-CTR】特征交叉：Wide & Deep、Deep & Cross Network 四、【特征交叉-CTR】真伪DeepFM：DeepFM、xDeepFM 五、【挖掘兴趣-CTR】YouTubeNet、DIN 六、【挖掘兴趣-CTR】Deep Interest Evolution Network for
终极骨骼动作识别指南：CTR-GCN完整应用教程
gitblog_00838的博客
11-23 1154
在当今人工智能领域，骨骼动作识别技术正发挥着越来越重要的作用。CTR-GCN作为一项基于图卷积网络优化的先进技术，通过创新的通道级拓扑细化机制，在动作识别准确率方面实现了显著突破。 ## 🚀 项目概述与技术优势 CTR-GCN（Channel-wise Topology Refinement Graph Convolution）是一种专门针对骨骼数据设计的图卷积网络架构。该项目在ICCV20
【亲测免费】 CTR-GCN 项目使用教程
gitblog_00643的博客
10-11 1107
CTR-GCN 项目的目录结构如下： ``` CTR-GCN/ ├── config/ │ └── nturgbd120-cross-subject/ │ └── default.yaml ├── data/ │ ├── NW-UCLA/ │ │ └── all_sqe │ └── ntu/ │ ├── ntu120/ │ │ └── ...
CTR-GCN：通道级拓扑优化图卷积网络完整指南
gitblog_00204的博客
11-24 794
基于骨骼的动作识别技术正逐渐成为计算机视觉领域的重要研究方向。CTR-GCN（Channel-wise Topology Refinement Graph Convolution）作为ICCV2021上的重要研究成果，通过引入通道级的拓扑结构优化，显著提升了骨骼数据驱动的动作识别性能。该项目不仅实现了先进的图卷积网络，还提供了强大的基线模型，为骨骼动作识别领域的发展提供了有力支撑。 ## 核心架
【免费下载】 CTR-GCN: 基于骨骼的动作识别——通道级拓扑细化图卷积网络
gitblog_00056的博客
10-11 1193
**CTR-GCN** 是一个在 **ICCV2021** 上发表的开源项目，实现了“基于骨架的动作识别中通道级拓扑细化图卷积”。该研究通过引入通道级的拓扑结构优化，提升了骨骼数据驱动的动作识别性能。此外，项目还提供了一个简单但强大的基线模型，仅使用关节模态，在 NTU120 CSub 数据集上达到了 83.7% 的准确率，旨在促进骨架基础动作识别领域的发展。 ## 项目快速启动 ### 环境...
从ST-GCN到CTR-GCN：图解骨骼动作识别的进化之路
最新发布
weixin_29051149的博客
03-16 353
本文系统梳理了骨骼动作识别技术从ST-GCN到CTR-GCN的演进历程，重点分析了图卷积网络在动作识别领域的架构革新。通过对比ST-GCN、AS-GCN、2S-AGCN、MS-G3D和CTR-GCN等关键模型的技术特点与性能表现，揭示了动态拓扑结构、多尺度融合和通道级优化等核心创新方向，为相关研究提供技术参考。
探索动作识别的新边界——CTR-GCN
gitblog_00005的博客
05-31 829
探索动作识别的新边界——CTR-GCN CTR-GCN 项目地址: https://gitcode.com/gh_mirrors/ct/CTR-GCN 项目介绍 CTR-GCN（Channel-wise T...
快速读懂CTR-GCN
qq_43322273的博客
01-10 761
把“图结构”本身也变成高维对象，每个 channel 有自己的图修正。这个高维是参数空间上的高维，所以不会增加计算量。
ICCV2021动作识别新星CTR-GCN：基于NTU-RGB+D的完整复现指南
j2k3l4的博客
03-02 1041
本文提供了ICCV2021动作识别新星CTR-GCN模型在NTU-RGB+D数据集上的完整复现指南。详细解析了其核心的通道拓扑关系建模思想，并手把手指导从环境配置、数据预处理到模型训练与评估的全流程，特别是针对跨视角和跨主体评估方案的适配，助力研究者和工程师快速复现这一前沿成果。
【GCN-CTR】端到端的GNN-CTR：Dual Graph enhanced Embedding Neural Network for CTR Prediction (KDD‘21)
chadlee
03-05 1875
DG-ENN: Dual Graph enhanced Embedding Neural Network for CTR Prediction (KDD’21) 性能简直无敌了，线下这个收益上线岂不是xx亿的收益？代价就是虽然是个端到端的模型，但是用到了全数据集的邻接矩阵，这可以在数据集上搞，可以在工业场景用吗？ 就论文本身而言，我个人认为这篇文章的缺点是：我反复读这篇文章，发现根本无法实现其 “分治、field-wise” 的做法。所以我按我的理解介绍。 Motivation：稀疏的特征和稀疏的交互 在
【图神经网络&动作识别】【代码阅读】ICCV 2021 CTR-GCN(Channel-wise Topology Refinement Graph Convolution Network)
weixin_51031772的博客
11-29 1389
时间卷积其实就是1*n的二维卷积，作者在做时间卷积的时候，分了四个层次，分别是dilation为1,2,3,4，这样可以扩大感受野，四种感受野的结果被拼到一起，然后再用了1x1的卷积和maxpool模块，同时还添加了residual模块。在 TCN_GCN_unit 这个类里，还有一个residual模块，用了一个 unit_tcn，相当于不通过时空图卷积，直接用一个temporal的卷积来处理了。核心部分是CTR-GC，这部分在论文中的结构长这样。还添加了类似于ST-GCN的注意力权重mask。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值