Skeleton-based Action Recognition with Multi-scale Spatial-temporal Convolutional Neural Network

计算机科学 人工智能 卷积神经网络 卷积(计算机科学) 图形 模式识别(心理学) 失败 人工神经网络 骨架(计算机编程) 理论计算机科学 并行计算 程序设计语言
作者
Cheng Qin,Ziliang Ren,Jun Cheng,Qieshi Zhang,Hao Yan,Jianming Liu
出处
期刊:IEEE International Conference on Real-time Computing and Robotics 被引量:1
标识
DOI:10.1109/rcar52367.2021.9517665
摘要

The skeleton data convey significant information for human action recognition since they can robustly accommodate cluttered background and illumination variation. Early convolutional neural networks (CNN) based method mainly structure the skeleton sequence into pseudo-image and feed it into image classification neural network such as Resnet, which can not capture comprehensive spatial-temporal feature. Recently, graph convolutional networks (GCNs) have obtained superior performance. However, the computational complexity of GCN-based methods is quite high, some works even reach 100 GFLOPs for one action sample. This is contrary to the highly condensed attributes of skeleton data. In this paper, a Multi-scale Spatial-temporal Convolution Neural Network (MSST-Net) is proposed for skeleton-based action recognition. Our MSST-Net abandons complex graph convolutions and takes the implicit complementary advantages across different scales of spatial-temporal representations, which are often ignored in the previous work. On two datasets for action recognition, MSST-Net achieves impressive recognition accuracy with a small amount of calculation.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
一一应助郎中不动武采纳,获得10
1秒前
爱学习的摸鱼小王子完成签到,获得积分10
3秒前
5秒前
杭子轩完成签到,获得积分10
5秒前
李爱国应助lhr采纳,获得10
5秒前
梅梅王发布了新的文献求助10
7秒前
lishihao完成签到,获得积分10
7秒前
8秒前
9秒前
酷炫妙菱发布了新的文献求助10
10秒前
坦率尔蝶完成签到 ,获得积分10
10秒前
11秒前
lishihao发布了新的文献求助30
12秒前
13秒前
13秒前
金光一闪发布了新的文献求助30
14秒前
li发布了新的文献求助30
15秒前
PIGG发布了新的文献求助10
16秒前
LTJ发布了新的文献求助10
16秒前
yaoyh_gc发布了新的文献求助30
17秒前
焦糖布丁完成签到,获得积分10
18秒前
18秒前
22秒前
思源应助li采纳,获得30
22秒前
shtatbf应助ThomasZ采纳,获得30
25秒前
木沂完成签到 ,获得积分10
25秒前
梅梅王完成签到,获得积分10
25秒前
25秒前
姐姐完成签到,获得积分20
26秒前
金光一闪完成签到,获得积分10
26秒前
29秒前
qingyue完成签到,获得积分20
31秒前
yaoyh_gc完成签到,获得积分10
32秒前
un完成签到,获得积分10
32秒前
酷酷哑铃发布了新的文献求助10
32秒前
34秒前
K0h关注了科研通微信公众号
34秒前
34秒前
un发布了新的文献求助10
36秒前
37秒前
高分求助中
Earth System Geophysics 1000
Co-opetition under Endogenous Bargaining Power 666
Semiconductor Process Reliability in Practice 650
Studies on the inheritance of some characters in rice Oryza sativa L 600
Medicina di laboratorio. Logica e patologia clinica 600
《关于整治突出dupin问题的实施意见》(厅字〔2019〕52号) 500
Language injustice and social equity in EMI policies in China 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3209864
求助须知:如何正确求助?哪些是违规求助? 2859364
关于积分的说明 8118873
捐赠科研通 2524878
什么是DOI,文献DOI怎么找? 1358527
科研通“疑难数据库(出版商)”最低求助积分说明 642814
邀请新用户注册赠送积分活动 614582