
-
生物通官微
陪你抓住生命科技
跳动的脉搏
PART-GCN:面向骨骼动作识别的解剖先验锚定自适应残差拓扑学习框架
《Scientific Reports》:PART-GCN: anatomy-anchored and motion-enhanced adaptive graph topology learning for skeleton-based action recognition
【字体: 大 中 小 】 时间:2026年09月27日 来源:Scientific Reports 4.9
编辑推荐:
摘要基于骨骼的动作识别对于需要可靠解读人体运动智能系统具有重要意义,包括康复监测、老年护理评估和视频监控。图卷积网络(GCN)因其能够自然地将人体骨骼表示为关节与骨骼的图结构,已成为主导方法。然而,现有的自适应拓扑学习方法往往在有限的结构约束下优化图连接性,导致学习到的拓扑结
基于骨骼的动作识别对于需要可靠解读人体运动智能系统具有重要意义,包括康复监测、老年护理评估和视频监控。图卷积网络(GCN)因其能够自然地将人体骨骼表示为关节与骨骼的图结构,已成为主导方法。然而,现有的自适应拓扑学习方法往往在有限的结构约束下优化图连接性,导致学习到的拓扑结构偏离人体固有的解剖组织。此外,大多数方法主要基于静态姿态特征构建自适应拓扑,限制了其在拓扑学习过程中利用运动动态信息的能力。为解决上述挑战,我们提出了PART-GCN——一种面向骨骼动作识别的先验锚定自适应残差拓扑学习框架。该框架在保留动作相关变异的灵活性的同时,显式地引入了固定的结构先验。具体而言,解剖锚定残差拓扑(AART)公式将自适应图分解为固定的解剖先验以及数据集级静态残差和样本级动态残差,使得解剖参考与学习到的偏差可以分别被识别。运动拓扑增强模块(KMTE)进一步通过联合利用姿态和速度信息估计动态残差拓扑,从而改善了实例级的关节间建模。我们在三个公开基准数据集上评估了所提出的框架:NTU RGB+D、NTU RGB+D 120和NW-UCLA。PART-GCN在五个单流基准中的四个上取得了最高的平均准确率,同时在多流设置下与近期最先进的方法保持极强的竞争力。在NTU RGB+D 120上,PART-GCN在X-Sub协议下取得了\(86.7\%\)的单流平均准确率,在X-Set协议下取得了\(88.3\%\)的单流平均准确率。这些结果表明,具有显式解剖参考和运动感知动态精炼的拓扑学习对于骨骼动作识别是有效的。