束 陽,李汪根,高 坤,王志格,葛英奎

(安徽師范大學(xué) 計(jì)算機(jī)與信息學(xué)院,安徽 蕪湖 241002)

0 引 言

近些年來,動(dòng)作識(shí)別在計(jì)算機(jī)視覺領(lǐng)域上扮演著愈來愈重要的角色,充滿了挑戰(zhàn)性和吸引性。目前,動(dòng)作識(shí)別在視頻監(jiān)控、人機(jī)交互、體育運(yùn)動(dòng)[1-2]等領(lǐng)域都有著遠(yuǎn)大的前景。傳統(tǒng)的基于RGB[3]圖像的動(dòng)作識(shí)別容易受到各種因素的干擾：如光暗程度、攝像機(jī)角度和人體自身遮擋或其他遮擋等,往往會(huì)造成關(guān)鍵信息的丟失。而當(dāng)前主流的基于人體骨骼數(shù)據(jù)的動(dòng)作識(shí)別方法[4-5]僅僅關(guān)注關(guān)節(jié)的坐標(biāo)位置信息,不受這些因素的干擾,因而在動(dòng)態(tài)變化的復(fù)雜環(huán)境中具有良好的適應(yīng)性、魯棒性和穩(wěn)定性。而且,基于人體骨架數(shù)據(jù)的動(dòng)作識(shí)別計(jì)算量遠(yuǎn)小于RGB圖像,這使其應(yīng)用在靈活的移動(dòng)設(shè)備上成為可能,具有廣大的應(yīng)用前景。

早期的用于人體骨架的建模,如遞歸神經(jīng)網(wǎng)絡(luò)[6](Recurrent Neural Network,RNN)和卷積神經(jīng)網(wǎng)絡(luò)[7](Convolutional Neural Network,CNN)等。這些模型可以同時(shí)提取人體關(guān)節(jié)之間的時(shí)空信息,卻不能表現(xiàn)非歐式空間下關(guān)節(jié)間的圖形關(guān)系,不適用于探索重要關(guān)節(jié)之間的相關(guān)性,導(dǎo)致訓(xùn)練網(wǎng)絡(luò)時(shí)大量動(dòng)作信息丟失。并且,基于RNN的方法需包含大量的計(jì)算參數(shù),效率低。

隨著圖卷積網(wǎng)絡(luò)(Graph Convolution Network,GCN)[8]的出現(xiàn),研究人員發(fā)現(xiàn),基于GCN的模型比其他模型具有更好的性能。Yan等人[9]首先提出時(shí)空?qǐng)D卷積神經(jīng)網(wǎng)絡(luò)(Spatial Temporal Graph Convolutional Networks,ST-GCN),骨架數(shù)據(jù)表示為圖形數(shù)據(jù),自然骨架連接用于構(gòu)建每個(gè)骨架圖的鄰接矩陣。Shi等人[10]認(rèn)為不同的關(guān)節(jié)之間也具有相關(guān)性,固定的圖形拓?fù)浣Y(jié)構(gòu)會(huì)限制模型的性能,因此提出雙流自適應(yīng)圖卷積神經(jīng)網(wǎng)絡(luò)(Two-Stream Adaptive Graph Convolutional Networks,2s-AGCN),其中引入了自我注意系數(shù)和自我學(xué)習(xí)的圖形殘差掩碼來捕捉不同關(guān)節(jié)之間的關(guān)系。同時(shí),添加骨骼流以提高2s-AGCN的性能。在此基礎(chǔ)上,Sun等人[11]提出基于骨架動(dòng)作識(shí)別的多流快慢圖卷積網(wǎng)絡(luò)(Multi-stream slowFast graph convolutional networks for skeleton-based action recognition,MSSF-GCN),其中除了關(guān)節(jié)的坐標(biāo)信息外,還引入了五個(gè)高階序列,包括骨骼邊、關(guān)節(jié)和骨骼邊的空間差異和時(shí)間差異,以增強(qiáng)人類行為的表示。Fang等人[12]認(rèn)為平等的對(duì)待骨架的每一幀需要一個(gè)大規(guī)模GCN模型來建模,這會(huì)造成大量的冗余信息,因此提出基于骨架動(dòng)作識(shí)別的時(shí)空慢快速圖卷積網(wǎng)絡(luò)(STSF-GCN),STSF-GCN包含快速路徑和慢速路徑,可以有效地捕獲長程和短程時(shí)空聯(lián)合關(guān)系,以更低的計(jì)算成本實(shí)現(xiàn)更先進(jìn)的性能。多流網(wǎng)絡(luò)雖然動(dòng)作分析的準(zhǔn)確度較高,但由于參數(shù)量過高和計(jì)算量過大,導(dǎo)致其不易在移動(dòng)設(shè)備上應(yīng)用。

早期,在機(jī)器翻譯和圖像識(shí)別等領(lǐng)域,Ashish等人[13]和Zheng等人[14]已經(jīng)利用了與語義相關(guān)的顯式探索。他們分別對(duì)序列中標(biāo)記的位置進(jìn)行編碼和將組索引編碼為卷積信道表示,借此來保留任務(wù)中的時(shí)序信息。最近,Zhang等人[15]提出了語義引導(dǎo)的神經(jīng)網(wǎng)絡(luò)(semantics-guided neural networks for efficient skeleton-based human action recognition ,SGN),在GCN模型中顯性地添加了骨骼關(guān)節(jié)和幀索引的語義信息,以保留空間身體結(jié)構(gòu)的重要信息和動(dòng)作在時(shí)間上的連貫性,對(duì)模型性能的提升起到很大的作用。Jing等人[16]提出了一種輕量級(jí)多信息圖卷積神經(jīng)網(wǎng)絡(luò)(LMI-GCN)。引入由語義信息(關(guān)節(jié)類型和幀索引)拼接成的自適應(yīng)圖,來聚合重要關(guān)節(jié)特征,并且提出一種分流設(shè)計(jì)的時(shí)間卷積塊來降低模型參數(shù)量和計(jì)算量,然而卻沒有充分地利用語義信息。網(wǎng)絡(luò)參數(shù)量較高,導(dǎo)致不適合應(yīng)用于實(shí)際場景。

針對(duì)以上問題,該文以LMI-GCN為基線,通過多信息輸入模塊提取骨架重要數(shù)據(jù)信息,并提出能充分利用語義信息來提取骨骼關(guān)節(jié)特征的圖卷積模塊。而且,網(wǎng)絡(luò)模型中的自注意力時(shí)間模塊在提升模型性能的同時(shí)減少了參數(shù)量,總體來說,LSIF-GCN比文獻(xiàn)[16]模型復(fù)雜度更小,識(shí)別精度更高,模型效率更強(qiáng)。

主要貢獻(xiàn)如下：(1)提出一種高效的基于輕量級(jí)語義信息融合的人類骨骼動(dòng)作識(shí)別方法(LSIF-GCN);(2)提出的“瓶頸型”的圖卷積模塊,充分利用了語義信息以提高模型性能;(3)針對(duì)基線中的分流時(shí)間卷積塊,引入了壓縮和激勵(lì)(SE)模塊[17]并且使用再分組的方法,使模型更小,識(shí)別精度更高;(4)在目前流行的NTU-RGB+D60[18]和NTU-RGB+D120[19]大規(guī)模數(shù)據(jù)集上進(jìn)行多次實(shí)驗(yàn)證明LSIF-GCN是一種高效的輕量級(jí)方法。

1 模型結(jié)構(gòu)

該文提出一種多層次高級(jí)語義融合的骨骼動(dòng)作識(shí)別模型,網(wǎng)絡(luò)的整體結(jié)構(gòu)如圖1所示。網(wǎng)絡(luò)模型整體結(jié)構(gòu)由三部分組成,分別是多信息輸入模塊、圖卷積模塊和自注意力時(shí)間卷積模塊。

圖1 LSIF-GCN整體模型框架

1.1 多信息輸入模塊

根據(jù)先前的研究[20-21]表示,骨骼邊信息對(duì)基于人體骨架的動(dòng)作識(shí)別至關(guān)重要。該文在數(shù)據(jù)預(yù)處理階段提取了六種輸入序列信息,分別是關(guān)節(jié)位置信息、關(guān)節(jié)相對(duì)位置信息、關(guān)節(jié)速度信息、骨骼邊信息、骨骼邊速度信息和骨骼邊加速度信息。

假設(shè)Gt(V,E)表示第t幀的人體骨架圖,其中V表示所有關(guān)節(jié)點(diǎn)的集合,E表示所有骨骼邊的集合?？梢詮脑脊羌茏鴺?biāo)獲得關(guān)節(jié)數(shù)據(jù),表示為：

pi,t=(xi,t,yi,t,zi,t)∈3

(1)

式中,i=1,2,…,N,t=1,2,…,T。pi,t表示第t幀中關(guān)節(jié)i的3D坐標(biāo)位置,N是關(guān)節(jié)點(diǎn)總數(shù)量,T是骨骼序列幀的總數(shù)。

關(guān)節(jié)相對(duì)位置可以通過從其他關(guān)節(jié)的坐標(biāo)減去中心關(guān)節(jié)的坐標(biāo)得出。對(duì)于不同的應(yīng)用場景和不同任務(wù),中心關(guān)節(jié)可以進(jìn)行調(diào)整。如果更多關(guān)注集中在手上的動(dòng)作細(xì)節(jié),如手勢(shì)識(shí)別,可以將中心關(guān)節(jié)設(shè)定為指關(guān)節(jié)或腕關(guān)節(jié)?？紤]到該文關(guān)注的是對(duì)人體各種動(dòng)作的識(shí)別,因此,將動(dòng)作序列的脊椎上部和下部,以及手掌腕部三個(gè)關(guān)節(jié)點(diǎn)確定為中心關(guān)節(jié),捕捉相似動(dòng)作之間的細(xì)微差別,如式(2)所示。

(2)

其中,pc,t表示的是中心關(guān)節(jié)點(diǎn)。骨骼邊指的是人體骨架各個(gè)關(guān)節(jié)點(diǎn)之間的自然連接拓?fù)鋱D,是有大小和方向的向量,在人體骨骼動(dòng)作識(shí)別中起著重要的作用。把遠(yuǎn)離中心關(guān)節(jié)的關(guān)節(jié)點(diǎn)稱為目標(biāo)關(guān)節(jié)點(diǎn),把靠近中心關(guān)節(jié)的關(guān)節(jié)點(diǎn)稱為源關(guān)節(jié)點(diǎn)?？梢员硎緸椋?/p>

ei,t=pi,t-ps,t

(3)

其中,ei,t表示骨骼邊信息,ps,t表示源關(guān)節(jié)點(diǎn)。為了更好地了解關(guān)節(jié)和骨骼的變化信息,提升模型的性能,引入了速度信息和加速度信息。速度信息指相鄰幀之間的關(guān)節(jié)坐標(biāo)位置和骨骼邊位置的變化,加速度信息表示骨骼速度在相鄰幀之間的差值,如式(4)所示。相鄰幀之間時(shí)間差值為1,由于時(shí)間是線性的,所以幀差的數(shù)量會(huì)少一個(gè),為此,該文在速度和加速度信息的第一幀中添加一個(gè)值為0的向量。

(4)

式中,v表示關(guān)節(jié)速度信息,v'表示骨骼邊的速度信息。a表示骨骼邊的加速度信息。

文獻(xiàn)[16]對(duì)輸入信息的處理是將四種信息均先編碼到高維空間后再進(jìn)行相加融合,一定程度上減少了模型的參數(shù)量和計(jì)算成本,但是相加融合會(huì)使一部分信息丟失。因此,該文先在低維空間中對(duì)輸入信息進(jìn)行通道維度的拼接融合,再編碼到高維空間,通過文獻(xiàn)[21]提出的stgcn模塊對(duì)輸入數(shù)據(jù)進(jìn)行特征提取和降維。最后,將三種輸入數(shù)據(jù)進(jìn)行拼接融合,作為圖卷積模塊的輸入。經(jīng)過數(shù)據(jù)預(yù)處理后的輸入特征主要分三類：(1)關(guān)節(jié)流;(2)速度流;(3)骨骼流。

(5)

式中,p''表示關(guān)節(jié)流,v''表示速度流,e''表示骨骼流。fin表示下一層的輸入,cat表示拼接操作,embed是編碼操作,由兩個(gè)1×1的卷積組成,達(dá)到升維的目的。stgcn是圖卷積操作,如式(6)所示。

(6)

1.2 圖卷積模塊

在之前的工作中[15,22-23],已經(jīng)證實(shí)將高級(jí)骨骼關(guān)節(jié)的語義信息引入到圖卷積中,對(duì)模型性能的提高起到顯著的作用。早期工作[15,23]是簡單的把語義信息與輸入信息進(jìn)行融合,然而隨著圖卷積層的深入,某些重要的語義信息會(huì)丟失,模型的效率也會(huì)下降。

針對(duì)這一問題,文獻(xiàn)[16]提出了一種簡單的自適應(yīng)圖G。圖G是網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)過程中自動(dòng)學(xué)習(xí)而來,可以聚合不同通道權(quán)重的關(guān)節(jié)特征。然而,圖G聚合的通道有所單一,語義信息優(yōu)勢(shì)不能完全表現(xiàn)出來。

因此,該文提出一種“瓶頸型”結(jié)構(gòu)的四層圖卷積模塊,前兩層圖卷積提取特征并降維,后兩層圖卷積在提取特征的同時(shí)進(jìn)行升維?！捌款i型”的四層圖卷積結(jié)構(gòu)不僅比基線方法[16]提出的三層圖卷積的參數(shù)量低,模型性能也好。

如圖2所示,為了匹配四層圖卷積,充分利用語義信息,該文提出一種新的多通道自適應(yīng)圖G。圖G使用了四層卷積進(jìn)行學(xué)習(xí),利用卷積核參數(shù)的自動(dòng)學(xué)習(xí)機(jī)制,可以根據(jù)模型訓(xùn)練過程中輸入數(shù)據(jù)的變化不斷自適應(yīng)調(diào)整,如式(7)所示：

(7)

其中,sp和st分別指的是關(guān)節(jié)類型和幀索引語義信息,cat指的是通道拼接操作。Gj是訓(xùn)練不同通道的學(xué)習(xí)圖,j=1,2,3,4。conv是1×1的卷積。通過多層卷積操作得到圖Gj后,再將其輸入到圖卷積中。

fout=σ(conv(fin?Gj)+conv(fin))

(8)

如式(8)所示,fin和fout分別為圖卷積的輸入和輸出,?表示矩陣相乘,σ為Relu激活函數(shù),conv為1×1的卷積,具有不同的訓(xùn)練權(quán)重。

1.3 自注意力時(shí)間卷積模塊

眾所周知,分組卷積可以減少卷積操作的參數(shù)量,但缺陷卻是不同組的特征圖之間不能進(jìn)行通信,這會(huì)降低網(wǎng)絡(luò)的特征提取能力。受文獻(xiàn)[24]的啟發(fā),該文提出了一個(gè)自注意力時(shí)間卷積模塊,如圖3所示。

圖3 自注意力時(shí)間卷積模塊

在時(shí)間卷積模塊中,首先對(duì)輸入信息最大池化以聚合關(guān)節(jié)空間信息,再將信息在通道維度上分成多組,每一組使用的卷積核依次增大,如卷積核大小為1×1,1×3,以獲取不同尺度的感受野,提取不相鄰幀之間的特征信息?？紤]到使用大卷積核所產(chǎn)生的參數(shù)量和計(jì)算量也會(huì)隨之增大,因此,對(duì)每一組再次進(jìn)行分組卷積,如卷積核為1×3時(shí),分組數(shù)量為2,在經(jīng)過不同大小的卷積后,在通道上進(jìn)行拼接。然后,通過SE注意力模塊對(duì)每組的通道的權(quán)重值進(jìn)行提取,對(duì)每組的權(quán)重值進(jìn)行Softmax歸一化并加權(quán),再將這些組進(jìn)行拼接。自注意力模塊的結(jié)構(gòu)如圖3虛線框所示。

最后,在經(jīng)過一個(gè)1×1卷積進(jìn)行特征提取和通道升維后,通過時(shí)間的最大池化聚合全局幀特征。

2 實(shí) 驗(yàn)

2.1 數(shù)據(jù)集

NTU RGB+D 60數(shù)據(jù)集[18]：NTU 60是當(dāng)前主流的基于骨架動(dòng)作識(shí)別的數(shù)據(jù)集之一,包含從40個(gè)不同的主題和3個(gè)Microsoft Kinect V2深度攝像頭同時(shí)捕獲的60個(gè)動(dòng)作類別的56 880個(gè)骨架序列。每個(gè)骨架序列包含25個(gè)關(guān)節(jié)的三維空間坐標(biāo)。該數(shù)據(jù)集提供了兩個(gè)評(píng)估基準(zhǔn)：交叉主題(Cross-Subject,CS)和交叉視角(Cross-View,CV)。CS由40名受試者完成動(dòng)作,其中一半受試者用于培訓(xùn),其余用于測(cè)試。CV選擇攝像機(jī)2和3捕獲的樣本進(jìn)行訓(xùn)練,其余用于測(cè)試。

NTU-RGB+D 120數(shù)據(jù)集[19]：NTU 120是一種大型室內(nèi)捕捉的3D人體動(dòng)作識(shí)別的公共數(shù)據(jù)集。該數(shù)據(jù)集是NTU RGB+D 60數(shù)據(jù)集在動(dòng)作類別和演員人數(shù)上的拓展,包含106名演員參與的114 480個(gè)動(dòng)作視頻。該數(shù)據(jù)集共有120個(gè)動(dòng)作類別,包括82種日常生活,12種醫(yī)療條件和26種兩人互動(dòng)情況下的動(dòng)作。該數(shù)據(jù)集有兩個(gè)評(píng)估基準(zhǔn)：交叉主題(Cross-s-Setup,SS)。CS根據(jù)視頻中的不同演員將此數(shù)據(jù)集劃分為訓(xùn)練集(63 026個(gè)視頻)和驗(yàn)證集(50 919個(gè)視頻)。SS是根據(jù)視頻編號(hào)奇偶來劃分?jǐn)?shù)據(jù)集。54 468個(gè)偶數(shù)視頻作為訓(xùn)練集,59 477個(gè)奇數(shù)視頻作為測(cè)試集。

2.2 實(shí)驗(yàn)細(xì)節(jié)

在多信息輸入階段,將三類信息流在通道維度上編碼到64維,通過公式(5)降到48維后進(jìn)行拼接,拼接得到的通道維數(shù)為144。在圖卷積模塊中,每層圖卷積的輸入維數(shù)分別為144、128、64和128,最終輸出維度為256。對(duì)于空間和時(shí)間語義信息,本文對(duì)它們拼接后形成的自適應(yīng)圖G進(jìn)行升維,維度大小與每層圖卷積的輸入維度相同。值得注意的是,最終輸出數(shù)據(jù)與圖G通過相加融合后輸入自注意力時(shí)間卷積模塊。關(guān)于時(shí)間卷積的過程,已在1.3節(jié)中詳細(xì)闡述。最后,使用全連接層與Softmax進(jìn)行輸出,輸出維度是對(duì)應(yīng)的數(shù)據(jù)集類別數(shù)。

將模型中epoch的數(shù)量設(shè)置為120,將一個(gè)epoch的批量大小設(shè)置為64,初始學(xué)習(xí)率設(shè)置為0.001,并在迭代過程中不斷減小。當(dāng)?shù)螖?shù)為80、100時(shí),學(xué)習(xí)率下降十倍。同時(shí),也使用Adam對(duì)模型進(jìn)行優(yōu)化,其中權(quán)重衰減為0.000 1。交叉熵?fù)p失用于訓(xùn)練網(wǎng)絡(luò)。該文幀索引取值為25,實(shí)驗(yàn)取3次測(cè)試的最佳結(jié)果,以對(duì)比其他模型的最佳結(jié)果。

實(shí)驗(yàn)環(huán)境配置：處理器為Intel i5-10400F,內(nèi)存為32G,顯卡為單塊NVIDIA RTX 3060ti,操作系統(tǒng)為Ubuntu 20.04,編程語言為Python 3.8,開發(fā)環(huán)境是Cuda 11.3和Pytorch 1.7。

2.3 實(shí)驗(yàn)結(jié)果與分析

目前大多數(shù)主流方法使用的是多流多信息融合的輸入方式,這導(dǎo)致模型參數(shù)量成倍增長,模型變得更為復(fù)雜。因此,在引入多信息的同時(shí),該文嘗試通過在通道維度上進(jìn)行拼接來最小化參數(shù)量。

表1顯示的是不同的輸入信息流對(duì)模型性能的影響,其中joint表示關(guān)節(jié)流,velocity表示速度流,bone表示骨骼流。通過表1的實(shí)驗(yàn)結(jié)果驗(yàn)證得到以下兩點(diǎn)結(jié)論：一是使用三流融合輸入在CS和SS上的識(shí)別精度高于雙流融合輸入和單流的信息輸入;二是對(duì)比多流網(wǎng)絡(luò)[10,21]參數(shù)量成倍增長,所提信息融合方法在僅僅增加了約1/7的參數(shù)量和不足1/2的GFLOPs情況下,大幅度提升了模型的性能。GFLOPs表示推理一個(gè)樣本所需的浮點(diǎn)運(yùn)算量,單位為十億次。

表1 LSIF-GCN在NTU 120兩種評(píng)估方式上的對(duì)比

在表2中,w/o stgcn表示在多信息輸入模塊中沒有使用stgcn模塊,w/o G表示在多層次卷積模塊中沒有使用多通道的自適應(yīng)圖。表2實(shí)驗(yàn)結(jié)果表明,如果不使用stgcn,模型在CS和SS基準(zhǔn)上的準(zhǔn)確度會(huì)分別下降0.5百分點(diǎn)和0.4百分點(diǎn)。如果不使用多通道的自適應(yīng)圖G,模型準(zhǔn)確度會(huì)分別下降2.4百分點(diǎn)和2.3百分點(diǎn)。原因是分別消去stgcn和G后,原來的圖卷積就變成了普通的卷積,模型聚合不同關(guān)節(jié)特征之間的能力就會(huì)變?nèi)?從而導(dǎo)致模型在NTU 120數(shù)據(jù)集兩種基準(zhǔn)上的準(zhǔn)確度也隨之下降。

表2 NTU 120上stgcn模塊和多通道自適應(yīng)圖的有效性對(duì)比

表3顯示在“瓶頸型”圖卷積模塊中,探究不同層數(shù)的圖卷積操作對(duì)模型性能的影響。其中,LSIF-GCN(three)表示LSIF-GCN使用三層圖卷積,每層的輸出通道數(shù)分別是128、64、256。LSIF-GCN(five)表示模型使用五層圖卷積,每層的輸出通道數(shù)分別是128、64、128、144和256。該文采用的是四層圖卷積結(jié)構(gòu),每層的輸出通道分別為128、64、128和256。實(shí)驗(yàn)結(jié)果表明,使用四層圖卷積時(shí),模型能更充分利用語義信息,效果更好。

表3 在NTU 120上不同圖卷積層數(shù)對(duì)模型性能的影響

如表4所示,對(duì)比于基線模型[16]的時(shí)間卷積模塊,所提模型在CS和SS基準(zhǔn)上分別高出0.1百分點(diǎn)和0.2百分點(diǎn),模型參數(shù)量也低于基線模型。其原因有以下兩點(diǎn)：一是將原來分組后的通道再次分組可以降低模型參數(shù)量,而在參數(shù)量較少的情況下,分組卷積相當(dāng)于正則化操作,從而防止模型出現(xiàn)過擬合;二是注意力模塊能自動(dòng)學(xué)習(xí)不同通道特征的重要程度,增強(qiáng)特征提取能力,從而提高模型性能。其中,Old TCN表示文獻(xiàn)[16]使用的時(shí)間卷積網(wǎng)絡(luò),Old TCN w/ SE表示在該方法的基礎(chǔ)上引入了SE注意力模塊。New TCN表示該文使用的時(shí)間卷積網(wǎng)絡(luò),New TCN w/o SE表示在時(shí)間卷積上只使用再分組的方法,而不引用SE注意力模塊。

表4 在NTU 120上時(shí)間卷積模塊和注意力模塊有效性對(duì)比

圖4顯示LSIF-GCN和SGN[15]以及LMI-GCN[16]兩種模型在NTU 120數(shù)據(jù)集CS基準(zhǔn)上的收斂情況對(duì)比。為了公平對(duì)比,三種模型的超參數(shù)設(shè)置和數(shù)據(jù)預(yù)處理方法均保持一致。從圖中可以得出結(jié)論,所提模型的收斂速度和收斂程度均優(yōu)于另外兩種模型。

圖4 在NTU 120數(shù)據(jù)集CS評(píng)估中收斂性的對(duì)比

在NTU RGB+D 60數(shù)據(jù)集的CS和CV基準(zhǔn)上,與最近一些主流的方法[9-10,15-16,21-29]進(jìn)行了比較。從表5可以看出,LSIF-GCN在兩種基準(zhǔn)上的最佳性能分別是91.0%和95.7%。表中有三種典型的方法值得注意。第一,對(duì)比于目前最為流行的基于骨骼的動(dòng)作識(shí)別基線模型ST-GCN[9],單流網(wǎng)絡(luò)1s-LSIF-GCN在CS和CV基準(zhǔn)上分別高出9.5百分點(diǎn)和7.4百分點(diǎn)。第二,2020年的SOTA方法MS-G3D[25],在CS和CV評(píng)估基準(zhǔn)上的識(shí)別準(zhǔn)確度比1s-LSIF-GCN 均高出0.5百分點(diǎn),而參數(shù)量卻是文中的13倍。第三,EffiencientB0[21]和EffiencientB2[21]是目前使用圖卷積的輕量級(jí)SOTA方法。單流網(wǎng)絡(luò)1s-LSIF-GCN參數(shù)量比EffiencientB0高,但在兩種基準(zhǔn)上的準(zhǔn)確度均高出EffiencientB0模型0.8百分點(diǎn)。對(duì)比于EffiencientB2方法,雙流網(wǎng)絡(luò)2s-LSIF-GCN在CS基準(zhǔn)上低0.1百分點(diǎn),而CV的識(shí)別精度高出0.3百分點(diǎn)。

表5 在NTU 60上與一些主流方法的比較

為了驗(yàn)證所提模型的性能,在NTU-RGB+D 120數(shù)據(jù)集的CS和SS基準(zhǔn)上比較了LSIF-GCN與最近幾年的SOTA方法在準(zhǔn)確性、模型參數(shù)量和GFLOPs上的效率。表6實(shí)驗(yàn)結(jié)果顯示,第一個(gè)基于骨架動(dòng)作識(shí)別的圖卷積模型ST-GCN的模型參數(shù)量和GFLOPs分別是單流網(wǎng)絡(luò)1s-LSIF-GCN的5.84倍和20.92倍。在模型參數(shù)量方面,1s-LSIF-GCN僅低于EffiencientB0,但在SS識(shí)別精度上卻高出2.9百分點(diǎn)。而對(duì)比于所有模型的GFLOPs,除了SGN[15]與1s-LSIF-GCN相當(dāng)外,其余模型均遠(yuǎn)高于文中方法,而在CS和SS評(píng)估基準(zhǔn)上,該文比SGN分別高出7.4百分點(diǎn)和6.4百分點(diǎn)。在多流網(wǎng)絡(luò)(2s-AGCN[10]、4s-Shift-GCN[26]、4s-Shift-GCN++[27]、2s-ST-GCN++[28])中,雙流網(wǎng)絡(luò)2s-LSIF-GCN的模型參數(shù)量和GFLOPs也達(dá)到了最低,SS識(shí)別精度也僅比2s-ST-GCN++低 0.6百分點(diǎn)?？傮w來說,文中方法在識(shí)別精度和模型復(fù)雜度(參數(shù)量和GFLOPs)上,達(dá)到了先進(jìn)的水平,相比于大多數(shù)的SOTA方法,更適用于資源有限的移動(dòng)設(shè)備和實(shí)際應(yīng)用場景。

表6 在NTU-RGB+D 120數(shù)據(jù)集上與SOTA方法的準(zhǔn)確度、參數(shù)量和GFLOPs的比較

3 結(jié)束語

針對(duì)傳統(tǒng)的動(dòng)作識(shí)別模型參數(shù)量較高和計(jì)算成本較大的問題,通過通道維度上的拼接操作將多種輸入信息進(jìn)行融合,避免了各種特征之間的相互干擾,提高了特征的利用率,同時(shí)提出了一種能夠充分利用語義信息的“瓶頸型”的四層圖卷積模塊,并且將激勵(lì)和壓縮(SE)模塊融入到時(shí)間卷積模塊中,通過再分組的方法,提高模型效率的同時(shí)降低了模型的參數(shù)量。最后,在目前主流的動(dòng)作識(shí)別數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果表明,該模型在計(jì)算成本、模型參數(shù)量和識(shí)別精度上,與其他的主流方法對(duì)比,具有一定的優(yōu)越性。

在未來工作中,筆者將針對(duì)特定場景更加注重細(xì)微動(dòng)作間的區(qū)分,如手勢(shì)識(shí)別,將該方法應(yīng)用于特定場景中。