摘要
在基于图卷积架构的人体姿态估计方法中，人体骨骼通常被建模为一个无向图，其中节点表示身体关节，边则表示相邻关节之间的连接。然而，大多数现有方法仅关注利用一阶邻接关系来学习关节间的关联，忽略了高阶邻近关系，从而限制了其捕捉远距离关节之间关系的能力。本文提出一种高阶规则分裂图网络（RS-Net），用于实现从2D到3D的人体姿态估计，该方法结合矩阵分裂技术，并引入权重与邻接矩阵的调制机制。其核心思想是通过多跳邻域（multi-hop neighborhoods）捕捉关节间的长程依赖关系，同时为不同身体关节学习差异化的调制向量，并构建一个可学习的调制矩阵，该矩阵被添加至与骨骼结构相关的邻接矩阵中。这一可学习的调制矩阵能够通过引入额外的图边，动态调整图结构，以促进关节间潜在连接的学习。与传统方法中对所有邻近关节共享同一权重矩阵的做法不同，本文提出的RS-Net在聚合关节特征向量前采用权重非共享策略，从而更有效地捕捉关节间多样化的空间关系。在两个基准数据集上的实验与消融研究结果表明，所提模型具有显著优势，其性能超越了当前最新的3D人体姿态估计方法。