人工智能與大數(shù)據(jù)學(xué)院吳志澤團(tuán)隊(duì)在基于骨架數(shù)據(jù)的人體動(dòng)作識(shí)別研究中取得重要進(jìn)展，提出了一種結(jié)合圖卷積網(wǎng)絡(luò)（GCN）與自注意力機(jī)制（Self-Attention）的新方法。相關(guān)研究成果以“SelfGCN: Graph Convolution Network With Self-Attention for Skeleton-Based Action Recognition”為題，發(fā)表在國(guó)際頂級(jí)學(xué)術(shù)期刊《IEEE Transactions on Image Processing》上（DOI: 10.1109/TIP.2024.3433581）。吳志澤教授為論文第一作者，我校全職德籍教授湯衛(wèi)思（Thomas Weise）為論文通訊作者，合肥大學(xué)人工智能與大數(shù)據(jù)學(xué)院為論文第一完成單位。
人體動(dòng)作識(shí)別是計(jì)算機(jī)視覺(jué)領(lǐng)域的重要研究方向，在視頻分析、手勢(shì)識(shí)別、智能監(jiān)控和人機(jī)交互等應(yīng)用中具有廣泛價(jià)值。相比基于視頻或圖像的方法，骨架數(shù)據(jù)能夠通過(guò)人體關(guān)鍵關(guān)節(jié)的二維或三維坐標(biāo)來(lái)表達(dá)人體結(jié)構(gòu)，具有一定的環(huán)境適應(yīng)性和計(jì)算效率。然而，如何充分利用骨架數(shù)據(jù)，準(zhǔn)確建模不同關(guān)節(jié)之間的復(fù)雜時(shí)空關(guān)系，以提升識(shí)別精度，仍然是一個(gè)值得研究的挑戰(zhàn)。
為此，研究團(tuán)隊(duì)提出了SelfGCN模型，該方法基于圖卷積網(wǎng)絡(luò)構(gòu)建人體骨架的拓?fù)浣Y(jié)構(gòu)，并引入自注意力機(jī)制，以自適應(yīng)地調(diào)整關(guān)節(jié)節(jié)點(diǎn)的重要性權(quán)重，從而更精準(zhǔn)地捕捉動(dòng)作特征。這一研究工作為基于圖結(jié)構(gòu)數(shù)據(jù)的人體動(dòng)作識(shí)別提供了新的思路，有助于進(jìn)一步理解和優(yōu)化人體運(yùn)動(dòng)特征的建模方法。
（撰稿：吳彩麗，一審：陳朝明，二審：王磊，三審：王儲(chǔ)炎）
