改进的ST-GCN单人姿态估计算法研究

• 全文链接
• 请求原文

作   者：

史健婷;  王印冉;  詹怀远; 

作者机构：

黑龙江科技大学计算机与信息工程学院; 

关键词：

ReLU6-Sigmoid;  SimAM;  模型融合;  计算机视觉;  改进的时空图卷积神经网络; 

期刊名称：

计算机技术与发展

i s s n：

1673-629X

年卷期：

2025 年 35 卷 001 期

页   码：

61-66

摘   要：

近年来，单人姿态估计广泛应用在各个领域，降低单人姿态估计算法对标记数据的依赖同时提高其准确率是计算机视觉中一个具有挑战但是十分重要的课题。针对此问题，该文提出一种改进的时空图卷积神经网络(Spatio-Temporal Graph Convolutional Networks, ST-GCN)的方法。在原来的ST-GCN的基础上，融合MoveNet轻量级神经网络，利用MoveNet的关键点识别功能，解决ST-GCN需要预先标注关键点数据的问题。引入SimAM注意力机制，解决原来的ST-GCN不能很好地区分通道中重点信息，将所有的信息一视同仁的问题。增加ReLU6-Sigmoid组合激活函数，解决原有的激活函数训练波动，非线性拟合不足的问题。即：在提高了原时空图卷积神经网络的检测精度的同时，减少了应用过程中对于标记数据的依赖，降低了训练时的损失率精确率的波动。对于改进后的时空图卷积神经网络，在FLORENCE 3D ACTIONS数据集上证明了其有效性。结果表明，改进后的时空图卷积神经网络准确率从0.869 5提升到0.956 521。F1值由0.887 566提高到0.965 432。