基于时空深度度量学习的单样本人体行为识别算法

单样本人体行为识别旨在从单个参考样本中识别出新的行为种类。现有的采用卷积网络学习基础特征表达的方法忽略了人体的空间拓扑结构,对于不规则的人体数据,传统卷积的规则卷积核学习效率较低。针对该问题,该文首次将图卷积方法应用在单样本行为识别中,以获取丰富的人体空间结构信息。此外,该文借鉴集成学习的思想,将获取嵌入特征的过程分为空间流和时间流,以获得具有不同特征的空间子嵌入和时间子嵌入,从而获得优异的泛化能力。在大型公开数据集NTU RGB+D 120上的实验结果表明,该文提出的时空深度度量学习模型优于先前的单样本行为识别模型,且准确率高于基准模型3.2%。