1 相关工作
2 空间分组注意力图卷积网络
2.1 骨架图定义
2.2 空间分组注意力模块
2.3 骨骼角度的高阶特征编码
2.4 插帧策略
表1 线性插帧算法表 |
步骤 | 插帧算法 |
---|---|
Step 1 | , |
Step 2 | |
Step 3 | |
Step 4 |
3 实验结果与分析
3.1 数据集
3.2 实验配置
3.3 实验方法与结果
3.3.1 参数量、训练及推理时长分析
表2 SGA-GCN模型与AAGCN的参数量比较 |
方法 | 参数量( ) |
---|---|
AAGCN | 3.78 |
SGA-GCN | 2.51 |
表3 SGA-GCN模型与AAGCN的单轮训练时长比较 (s) |
方法 | 时间 |
---|---|
AAGCN | 91 |
SGA-GCN | 69 |
表4 SGA-GCN模型与AAGCN线的执行时长比较(每100个执行样本) (s) |
方法 | 时间 |
---|---|
AAGCN | 11 |
SGA-GCN | 8 |
3.3.2 多分支融合消融实验
表5 在UAV-Human数据集Csv1评估标准上,增加不同分支后的识别性能 (%) |
方法 | TOP-1 | TOP-5 |
---|---|---|
FJB | 42.90 | 64.06 |
FJM | 42.71 | 63.52 |
FJA | 42.65 | 64.12 |
FBM | 41.35 | 61.74 |
FBA | 41.05 | 63.09 |
FMA | 40.48 | 61.82 |
FJBM | 44.52 | 64.69 |
FJBA | 44.20 | 64.90 |
FBMA | 42.84 | 63.36 |
FJBMA | 45.58 | 65.40 |
表6 在UAV-Human数据集Csv2评估标准上,增加不同分支后的识别性能 (%) |
方法 | TOP-1 | TOP-5 |
---|---|---|
FJB | 68.38 | 91.10 |
FJM | 68.30 | 91.17 |
FJA | 68.25 | 90.89 |
FBM | 64.54 | 89.30 |
FBA | 64.63 | 89.63 |
FMA | 67.19 | 90.18 |
FJBM | 70.86 | 91.91 |
FJBA | 69.03 | 91.56 |
FBMA | 69.03 | 91.50 |
FJBMA | 71.50 | 92.45 |
3.3.3 线性插帧消融实验
表7 在UAV-Human数据集的CSV1基准上,不同的插帧方式模型TOP-1识别性能 (%) |
基准 | FE | RS | LI |
---|---|---|---|
CSV1 | 41.74 | 43.98 | 45.58 |
表8 在UAV-Human数据集CSV1基准上,不同插帧方式的不同数据分支TOP-1识别性能 (%) |
方式 | FJ | FB | FM | FA |
---|---|---|---|---|
FE | 38.6 | 38.8 | 32.2 | 35.3 |
RS | 40.1 | 38.5 | 32.1 | 36.4 |
LI | 40.6 | 38.8 | 32.9 | 36.8 |
3.3.4 模型评估
表9 在UAV-Hman两个评估标准上与现有方法TOP-1识别精度和参数量对比 |
方法 | CSV1/% | CSV2/% | 参数量(×106) |
---|---|---|---|
ST-GCN | 30.25 | 56.14 | 3.10 |
DGNN | 29.90 | — | 26.24 |
2s-AGCN | 34.84 | 66.68 | 6.94 |
HARD-Net | 36.97 | — | — |
4s-Shift-GCN | 37.98 | 67.04 | 2.76 |
AAGCN | 41.43 | — | 3.78 |
MS-G3D | 43.94 | — | 6.40 |
FR-AGCN | 43.98 | 69.50 | 6.94 |
TE-GCN | 42.50 | 68.20 | 3.10 |
PB-GCN | 37.48 | — | 2.90 |
MSTA-GCN | 44.32 | 70.69 | 12.00 |
4s-MSSTNET | 43.00 | 70.10 | 3.10 |
SGA-GCN | 45.58 | 71.50 | 2.51 |