用于少样本3D动作识别的神经图匹配网络

我们提出了一种名为神经图匹配（Neural Graph Matching, NGM）网络的新框架，该框架能够仅通过少量样本便识别先前未见过的三维动作类别。我们通过利用三维数据固有的结构特性，采用图结构表示方法实现这一目标，从而实现模型的模块化设计，并在少样本学习中展现出优异的数据效率。具体而言，NGM网络以端到端的方式联合学习图生成器与图匹配度量函数，直接优化少样本学习的目标。我们在两个三维动作识别数据集CAD-120和PiGraphs上对NGM进行了评估，结果表明，通过学习生成与匹配图结构，相较于整体性基线方法，显著提升了少样本三维动作识别的性能。