摘要
图卷积网络（Graph Convolutional Networks, GCNs）长期以来在基于骨骼的动作识别任务中占据领先地位，其核心优势在于能够通过图的邻接矩阵揭示人体关节点拓扑结构的复杂动态特性。然而，这些先进模型中暴露出一个固有缺陷：它们在训练过程中将邻接矩阵与模型权重共同优化。这一看似高效的机制，实际上导致骨骼连接信息的逐步退化，使得模型逐渐丧失对所建模拓扑结构的敏感性。为解决这一问题，我们提出一种双重策略：（1）我们引入一种创新方法，利用图距离来编码骨骼连接关系，以更准确地刻画物理拓扑结构；同时，通过持久同调分析（persistent homology analysis）引入与动作相关的拓扑表征，以捕捉系统的动态演化特征。该方法有效保留了传统GCN中常被忽略的关键拓扑细节。（2）我们的研究还揭示了现有GCN在多关系建模中的冗余问题，为此提出一种高效的图卷积改进方案——BlockGC。该结构显著减少了模型参数量，同时在性能上超越了原始GCN。基于此，我们构建的完整模型BlockGCN在各类模型架构中均建立了新的基准性能。尤其在大规模NTU RGB+D 120数据集上，其兼具高精度与轻量化设计，充分验证了BlockGCN的有效性与优越性。