GCN-DevLSTM: Path Development for Skeleton-Based Action Recognition

骨架动作识别（SAR）在视频中是计算机视觉中一项重要但具有挑战性的任务。目前SAR的最新最先进模型主要基于图卷积神经网络（GCN），GCN在提取骨架数据的空间信息方面非常强大。然而，目前尚不清楚这种基于GCN的模型能否有效地捕捉到人类动作序列的时间动态。为此，我们提出了DevLSTM模块，该模块利用了路径发展——一种基于李群结构的顺序数据的原则性和简约性表示。路径发展源自粗略路径理论，可以有效地捕捉高维流数据中事件的顺序，实现大规模降维，并显著增强LSTM模块。我们提出的G-DevLSTM模块可以方便地插入时间图中，补充现有先进的基于GCN的模型。我们在NTU60、NTU120和Chalearn2013数据集上的实证研究表明，我们提出的混合模型在SAR任务中显著优于当前表现最佳的方法。代码可在https://github.com/DeepIntoStreams/GCN-DevLSTM上获得。

本论文旨在解决基于骨架的动作识别（SAR）中的时间动态问题，并验证使用DevLSTM模块能否有效地捕捉时间动态。

本论文提出了DevLSTM模块，利用路径发展来提高LSTM模块的性能，从而有效地捕捉高维流数据中的事件顺序。

本文在NTU60、NTU120和Chalearn2013数据集上进行了实验，证明了G-DevLSTM模型在SAR任务中的显著性能优于当前最佳方法。研究者提供了开源代码 https://github.com/DeepIntoStreams/GCN-DevLSTM。

在这个领域中，最近的相关研究包括：'Spatio-Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition'、'Temporal Convolutional Networks for Action Segmentation and Detection'、'Learning Spatio-Temporal Representation with Pseudo-3D Residual Networks'等。