摘要
人体骨架的变化可以被视为动态图，这是许多现实世界应用中的通用数据表示形式。在本文中，我们提出了一种时空图卷积（Spatio-Temporal Graph Convolution, STGC）方法，该方法结合了局部卷积滤波的成功和自回归移动平均模型的序列学习能力。为了编码动态图，构建的多尺度局部图卷积滤波器由局部感受野矩阵和信号映射组成，并在时间域和空间域的结构化图数据上递归执行。所提出的模型具有通用性和原则性，因为它可以推广到其他动态模型。我们从理论上证明了STGC的稳定性，并提供了要学习的信号变换的上界。此外，所提出的递归模型可以堆叠成多层架构。为了评估我们的模型，我们在四个基准骨架动作数据集上进行了广泛的实验，包括大规模且具有挑战性的NTU RGB+D数据集。实验结果表明，我们提出的模型不仅有效，而且在性能上超越了现有最先进的方法。