Human action recognition based on cascade graph convolutional network
Cet article propose un réseau de convolution de graphes en cascade (CGCN) qui utilise une matrice d'adjacence hiérarchique sensible au mouvement pour modéliser dynamiquement les corrélations entre les articulations et une architecture en cascade par étapes pour classifier progressivement les actions avec une complexité croissante, atteignant ainsi un équilibre supérieur entre la précision de la reconnaissance et l'efficacité computationnelle sur plusieurs ensembles de données.