基于全局图遍历的ST-GCN人体行为识别算法

传统的时空图卷积网络(spatio-temporal graph convolutional network, ST-GCN)模型存在诸多缺陷,如空间图构造受预定义影响、忽略非相邻节点间信息的有效利用以及计算成本过高等.针对上述问题,基于ST-GCN模型提出一种采用节点全局图遍历的自适应人体行为识别方法.通过建立节点关联函数找出初始节点,再遍历拓扑状态库找出变化较大的前条链路筛选关键连接特征;建立当前节点与相邻和非相邻节点间的有效关联,在卷积过程中增加位运算操作用于舍弃关联度较小的关节点,以期在减少计算量的同时通过直接捕捉人体节点间的位置和距离信息调整运动关联度,增强算法的自适应性.实验结果表明,该算法较原始ST-GCN模型的识别精度高2%,且计算成本低,每秒浮点运算次数下降2.9×10^(9).

基于全局图遍历的加权频繁模式研究

在以往的加权遍历模式应用过程中,挖掘是影响最终应用效果的主要问题。相比之下,在全局图遍历基础上加权频繁模式的应用能够有效解决挖掘问题。本文从图遍历分析入手,对基于全局图遍历的加权频繁模式进行研究和分析。