Logowanie
Zarejestruj się
Zresetuj hasło
Publikuj i Dystrybuuj
Rozwiązania Wydawnicze
Rozwiązania Dystrybucyjne
Dziedziny
Architektura i projektowanie
Bibliotekoznawstwo i bibliologia
Biznes i ekonomia
Chemia
Chemia przemysłowa
Filozofia
Fizyka
Historia
Informatyka
Inżynieria
Inżynieria materiałowa
Językoznawstwo i semiotyka
Kulturoznawstwo
Literatura
Matematyka
Medycyna
Muzyka
Nauki farmaceutyczne
Nauki klasyczne i starożytne studia bliskowschodnie
Nauki o Ziemi
Nauki o organizmach żywych
Nauki społeczne
Prawo
Sport i rekreacja
Studia judaistyczne
Sztuka
Teologia i religia
Zagadnienia ogólne
Publikacje
Czasopisma
Książki
Materiały konferencyjne
Wydawcy
Blog
Kontakt
Wyszukiwanie
EUR
USD
GBP
Polski
English
Deutsch
Polski
Español
Français
Italiano
Koszyk
Home
Czasopisma
Applied Mathematics and Nonlinear Sciences
Tom 7 (2022): Zeszyt 2 (July 2022)
Otwarty dostęp
Spatial–temporal graph neural network based on node attention
Qiang Li
Qiang Li
,
Jun Wan
Jun Wan
,
Wucong Zhang
Wucong Zhang
oraz
Qian Long Kweh
Qian Long Kweh
| 08 kwi 2022
Applied Mathematics and Nonlinear Sciences
Tom 7 (2022): Zeszyt 2 (July 2022)
O artykule
Poprzedni artykuł
Następny artykuł
Abstrakt
Artykuł
Ilustracje i tabele
Referencje
Autorzy
Artykuły w tym zeszycie
Podgląd
PDF
Zacytuj
Udostępnij
Data publikacji:
08 kwi 2022
Zakres stron:
703 - 712
Otrzymano:
23 maj 2021
Przyjęty:
27 wrz 2021
DOI:
https://doi.org/10.2478/amns.2022.1.00005
Słowa kluczowe
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