Login
Registrati
Reimposta password
Pubblica & Distribuisci
Soluzioni Editoriali
Soluzioni di Distribuzione
Temi
Architettura e design
Arti
Business e Economia
Chimica
Chimica industriale
Farmacia
Filosofia
Fisica
Geoscienze
Ingegneria
Interesse generale
Legge
Letteratura
Linguistica e semiotica
Matematica
Medicina
Musica
Scienze bibliotecarie e dell'informazione, studi library
Scienze dei materiali
Scienze della vita
Scienze informatiche
Scienze sociali
Sport e tempo libero
Storia
Studi classici e del Vicino Oriente antico
Studi culturali
Studi ebraici
Teologia e religione
Pubblicazioni
Riviste
Libri
Atti
Editori
Blog
Contatti
Cerca
EUR
USD
GBP
Italiano
English
Deutsch
Polski
Español
Français
Italiano
Carrello
Home
Riviste
Applied Mathematics and Nonlinear Sciences
Volume 7 (2022): Numero 2 (July 2022)
Accesso libero
Spatial–temporal graph neural network based on node attention
Qiang Li
Qiang Li
,
Jun Wan
Jun Wan
,
Wucong Zhang
Wucong Zhang
e
Qian Long Kweh
Qian Long Kweh
| 08 apr 2022
Applied Mathematics and Nonlinear Sciences
Volume 7 (2022): Numero 2 (July 2022)
INFORMAZIONI SU QUESTO ARTICOLO
Articolo precedente
Articolo Successivo
Sommario
Articolo
Immagini e tabelle
Bibliografia
Autori
Articoli in questo Numero
Anteprima
PDF
Cita
CONDIVIDI
Pubblicato online:
08 apr 2022
Pagine:
703 - 712
Ricevuto:
23 mag 2021
Accettato:
27 set 2021
DOI:
https://doi.org/10.2478/amns.2022.1.00005
Parole chiave
Action recognition
,
skeletons
,
spatial–temporal graph convolution
,
attention mechanism
© 2021 Qiang Li et al., published by Sciendo
This work is licensed under the Creative Commons Attribution 4.0 International License.
Fig. 1
(a) Spatial–temporal skeletal graph. (b) Partitioning strategy graph.
Fig. 2
Structure diagram of NA-STGCN. GCN, graph convolutional neural network; NA-STGCN, node attention spatial–temporal graph convolutional neural network.
Fig. 3
Change curve of loss values. NA-STGCN, node attention spatial–temporal graph convolutional neural network; ST-GCN, spatial–temporal graph convolutional neural network.
Fig. 4
Node activation response maps: (a) top left: ST-GCN clapping action; (b) top right: NA-STGCN clapping action; (c) bottom left: ST-GCN brushing action; (d) bottom right: NA-STGCN brushing action. NA-STGCN, node attention spatial–temporal graph convolutional neural network; ST-GCN, spatial–temporal graph convolutional neural network.
Comparison with representative methods (%).
Model
CS
CV
Two-Stream 3DCNN [
8
]
66.8
72.6
TCN [
22
]
74.3
83.1
Clip + CNN + MTLN [
23
]
79.6
84.8
VA-LSTM [
10
]
79.4
87.6
ST-GCN [
13
]
81.5
88.3
NA-STGCN (ours)
85.8
89.3