整体思路

Reference: Yan S, Xiong Y, Lin D. Spatial temporal graph convolutional networks for skeleton-based action recognition[C]//Thirty-Second AAAI Conference on Artificial Intelligence. 2018.

fig1. ST-GCN architecture

1. 基于 OpenPose 的 2D 多人 姿态/骨架 估计

• 输入：RGB image 或者 video sequence
• 输出：人体关节点位置和可信度

OpenPose 总共估计人体 18 个关节点，关节点顺序和名称如下图：

fig2. OpenPose 18 joints

2. build Spatial-Temporal Graph on skeleton sequence

• Nodes:
  表示 skeleton sequence 帧数，即 个时刻， 表示个人的骨架
  表示 temporal 联系，inter-frame； 表示 spatial 联系，intra-skeleton

• Feature vector on a node

• Edges = spatial + temporal
  intra-skeleton, 表示 joints in a skeleton，如 fig2 OpenPose 关节点的连接方式
  inter-frame，连续帧之间的对应关节点连接起来

fig3. Spatial-Temporal Graph of a skeleton sequence

注：spatial graph 理解为单帧中的骨架图，temporal graph 为多帧之间相应关节点的连接图

3. Graph Convolution details

3.1 传统图像在坐标点 x 位置的 conv

• ：input, output feature map
• ：表示位置 的 邻域
• ：表示邻域内相应位置点的权值

3.2 图卷积在顶点 位置的 conv

• ：input feature map
  对于图卷积， 表示 t 时刻输入的 feature map，即为 时刻的 spatial graph ，而 表示图中顶点的 feature vector 有 个通道。
  定义完输入的 feature map 后，再定义邻域采样函数 和权值函数 就能完成卷积运算了，这里 和 表示方法与传统 Conv 不同。

• 邻域采样函数
  

  • ： 到 的最短路径 / 边数，hops
  • ：只将直接相连的邻接点作为邻域

• 权值函数
  

  1. 邻域 分成 个子集（注意这里的 和前面传统卷积的 同样表示卷积的 kernel size）
  2. 子集中 nodes 分别赋上数值权值，这里为子集编号（图卷积中叫 labeling，即给每个 node 打分类标签）code 中用 size = 的 tensor 表示，类比传统卷积权值

注：划分 个子集，同一个子集内的节点采用相同的权重，从而实现权重共享。可按照邻域 path 划分，也可按照节点距离重心的远近划分，见 part 4

3.3 Spatial Graph Convolution 空域图卷积

• ：标准化因子，领域顶点 所在的子集中的顶点总个数

上述公式样式仍然偏向传统图像卷积，进一步转化为图卷积样式：

• ：邻域顶点
• ：给邻域顶点 打标签/赋权值 函数

3.4 Spatial Temporal Modeling 时空图卷积

时空邻域采样函数：空域连接 扩展到 时域连接，单帧扩展到多帧

• 邻域 → ，不限于单帧
• 上限 ： →
• ：temporal range, temporal kernel size，本文 = 9

时空邻域权值函数：划分子集 labeling 扩展到时域

4. 划分子集 & labeling

labeling 体现了 将邻域的特征聚合到当前节点 的一种规则。

• (b) Uni-labeling 同一标注权值
  邻域内所有 nodes 权值一样，没有局部差异性 local differential properties
  labeling：令 ，则

• (c) Distance partitioning 距离划分 distance to root joint
  具有局部差异性，但是缺乏子集 joints 相对全局的位置关系，即不能反应子集 joints 处于人体的哪块区域
  labeling：令 ，则 可取值：0 或 1

• (d) Spatial configuration partitioning
  骨架 joints 运动可分为向心和离心，可将 nodes 分为 3 组：
  

  其中 是邻域 joint 到黑色十字 × 的距离， 为 root joint

综上所述，邻域 joints 子集的划分特点：

1. 既能保留局部信息，又能涵盖全局信息
2. 邻域权重划分更加多样性

5. Implementing ST-GCN

5.1 邻接矩阵

对于 (c)(d) 划分，邻接矩阵 被分成了不同子集

• (c)：
• (d)：

添加 mask ：，学习不同邻接点对 root 的权重影响

5.2 网络结构

"9 ST-GCN units，temporal kernel size = 9 感受野"
# out 64 channels
ST-GCN
ST-GCN
ST-GCN
# out 128 channels
ST-GCN  # stride = 2，时域下采样，2 frame -> 1frame
ST-GCN
ST-GCN
# out 256 channels
ST-GCN  # stride = 2，时域下采样，2 frame -> 1frame
ST-GCN
ST-GCN
"Global Pooling, feature map -> 256 dimension feature vector"
GAP
"Softmax classifier"
softmax