改进的ST-GCN单人姿态估计算法研究

来源：计算机技术与发展杂志2025年第01期北京时间：

作者：史健婷;王印冉;詹怀远

摘要：近年来,单人姿态估计广泛应用在各个领域,降低单人姿态估计算法对标记数据的依赖同时提高其准确率是计算机视觉中一个具有挑战但是十分重要的课题。针对此问题,该文提出一种改进的时空图卷积神经网络( Spatio-Temporal Graph Convolutional Networks, ST - GCN) 的方法。 在原来的 ST - GCN 的基础上,融合 MoveNet 轻量级神经网络,利用 MoveNet 的关键点识别功能,解决 ST-GCN 需要预先标注关键点数据的问题。 引入 SimAM 注意力机制,解决原来的 ST-GCN 不能很好地区分通道中重点信息,将所有的信息一视同仁的问题。 增加 ReLU6-Sigmoid 组合激活函数,解决原有的激活函数训练波动,非线性拟合不足的问题。 即:在提高了原时空图卷积神经网络的检测精度的同时,减少了应用过程中对于标记数据的依赖,降低了训练时的损失率精确率的波动。 对于改进后的时空图卷积神经网络,在 FLORENCE 3D ACTIONS 数据集上证明了其有效性。 结果表明,改进后的时空图卷积神经网络准确率从0. 869 5 提升到0. 956 521。 F1 值由 0. 887 566 提高到 0. 965 432。

关键词：计算机视觉;改进的时空图卷积神经网络;模型融合;SimAM;ReLU6-Sigmoid