Optimierte Aktionserkennung auf Basis von Skeletten durch ver稀疏的图回归 请注意，"Sparsified Graph Regression" 在德语中通常表达为 "verdünnte Graphenregression" 或 "verdünnende Graphenregression"。因此，更准确的翻译应该是： Optimierte Aktionserkennung auf Basis von Skeletten durch verdünnte Graphenregression

Mit der zunehmenden Verbreitung von leicht zugänglichen Tiefensensoren haben sich dynamische menschliche Skelette als robustes Modell für die Aktionserkennung großer Aufmerksamkeit erfreut. Frühere Methoden modellierten Skelette auf Basis von RNN oder CNN, was ihre Ausdrucksstärke bei unregelmäßigen Skelettgelenken begrenzt. Obwohl Graph Convolutional Networks (GCN) vorgeschlagen wurden, um unregelmäßige graphstrukturierte Daten zu bearbeiten, bleibt die grundlegende Graphkonstruktion eine Herausforderung. In dieser Arbeit stellen wir Skelette natürlicherweise in Graphen dar und schlagen ein auf Graphregression basierendes GCN (GR-GCN) für die Aktionserkennung auf Basis von Skeletten vor, mit dem Ziel, die räumlich-zeitliche Variation in den Daten zu erfassen. Da die Graphrepräsentation für die Graphfaltung entscheidend ist, schlagen wir zunächst eine Graphregression vor, um statistisch den zugrundeliegenden Graphen aus mehreren Beobachtungen zu lernen. Insbesondere bieten wir eine räumlich-zeitliche Modellierung von Skeletten und formulieren ein Optimierungsproblem bezüglich der Graphstruktur über aufeinanderfolgende Frames, das die Sparsität des zugrundeliegenden Graphen zur effizienten Repräsentation erzwingt. Der optimierte Graph verbindet nicht nur jedes Gelenk stark oder schwach mit seinen benachbarten Gelenken im gleichen Frame, sondern auch mit relevanten Gelenken in den vorherigen und nachfolgenden Frames. Anschließend geben wir den optimierten Graph zusammen mit den Koordinaten der Skelettfolge in das GCN zur Merkmalslernen ein, wobei wir eine Hochordnungs- und schnelle Tschebyscheff-Approximation der spektralen Graphfaltung einsetzen. Darüber hinaus liefern wir eine Analyse der durch die Tschebyscheff-Approximation charakterisierten Variation. Experimentelle Ergebnisse bestätigen die Effektivität der vorgeschlagenen Graphregression und zeigen, dass das vorgeschlagene GR-GCN auf den weit verbreiteten NTU RGB+D-, UT-Kinect- und SYSU 3D-Datensätzen leistungsstarke Ergebnisse erzielt.请注意，这里“法语读者”应为“德语读者”。上述翻译已根据您的要求进行了调整，以适应德语读者的阅读习惯。