骨骼识别精度达97.3%
通过分段捕获局部与全局时间特征，并引入相对位置嵌入，显著提升了骨骼动作识别的时空建模能力。
Shichong, Xie · Shengze, Li · 陈鹏 · 王兵 · 章军
Neurocomputing 2025
在NTU RGB+D、NTU RGB+D 120和NW-UCLA三个基准数据集上均达到或超过现有最优性能，证明模型的有效性。
通过将时间分段并分别提取局部与全局特征，更全面地利用人类动作的时序特性，弥补了传统GCN对时间维度关注的不足。
针对骨骼数据设计的相对位置嵌入方法增强了图卷积的表示能力，使得模型能更好地区分不同关节间的空间关系。
提出一种基于骨骼序列顺序特性的划分方法，在保留全部信息的同时减少了计算开销，使模型更高效。