要約
人間の骨格の変異は、多くの実世界アプリケーションで一般的に使用されるデータ表現である動的グラフとして考えることができます。本論文では、局所畳み込みフィルタリングの成功と自己回帰移動平均の系列学習能力を組み合わせるための空間時間グラフ畳み込み（Spatio-Temporal Graph Convolution: STGC）アプローチを提案します。動的グラフを符号化するために、時間領域と空間領域の構造化されたグラフデータに対して、局所受容野と信号マッピングからなる多スケール局所グラフ畳み込みフィルタが再帰的に適用されます。提案するモデルは汎用性と原理に基づいており、他の動的モデルにも一般化することができます。理論的にSTGCの安定性を証明し、学習すべき信号変換の上限を提供します。さらに、提案する再帰モデルは多層アーキテクチャに積み重ねることができます。我々のモデルを評価するために、大規模かつ困難なNTU RGB+Dを含む4つのベンチマーク骨格ベースアクションデータセットで広範な実験を行いました。実験結果は、我々が提案したモデルの有効性と最先端技術に対する改善を示しています。