【论文标题】Action Recognition with Kernel-based Graph Convolutional Networks 【作者团队】Hichem Sahbi 【发表时间】2020/12/28 【机构】法国索邦大学 【论文链接】https://arxiv.org/abs/2012.14186

【推荐理由】 本文来自法国索邦大学，作者针对现有图神经网络存在的不适定性、弱判别能力、过拟合等问题，提出了一种基于重构核希尔伯特空间的空间图卷积，并在基于骨架的动作识别任务上验证了该模型的优越性能。

图卷积网络（GCN）是一个新兴的研究领域，旨在将深度学习泛化到任意的非规则域中。大多数现有的 GCN 都遵循一种邻域聚合方案，即通过使用平均或排序操作来聚合其邻域节点表征，从而递归地获得最终的节点表征。然而，这些操作要么是不适定的，要么判别能力较弱，或者会增加训练参数的数量，从而增加计算复杂度和过拟合的风险。

在本文中，作者引入了一种新的 GCN 框架，该框架在重构核希尔伯特空间（RKHS）中实现了空间图卷积。该框架使得我们可以在不增加训练参数数量的情况下，通过隐式核表征，在高维和更具判别能力的空间中设计卷积图滤波器。

本文提出的 GCN 模型的特别之处还在于，它能够在无需显式地将学习到的图滤波器的感受野中的节点与输入图感受野中的节点重新对齐，从而使模型与卷积排列无关，可以被良好地定义。在本文中，作者通过具有挑战性的基于骨架的动作识别任务的实验，证明了该方法相对于对比基线的优越性。

图 1：基于核的图卷积网络架构示意图。

内容中包含的图片若涉及版权问题，请及时与我们联系删除