全面詳解！圖卷積在動作識別方向的應用（下）

本文結合現有的文獻和方法以及作者自己的實踐理解，詳細闡述了圖卷積在基於骨架的動作識別方向的應用，內容翔實，值得一讀。

文章的脈絡為：

1. 問題簡述

2. 基本概念介紹

3. 方法和思路分析

4. 文獻解讀

    4.1 時空特徵的提取

    4.2 更全面的空間特徵抽取策略

    4.3 資料增強

    4.4 綜合方法

由於篇幅較長，將分為上下進行釋出，這是下篇。上篇見：全面詳解！圖卷積在動作識別方向的應用（上）

更全面的空間特徵抽取策略

PBGCN: Part-based Graph Convolutional Network for Action Recognition(BMVC, 2019

典型的 part-based 方法，將人體骨架分為多個子圖，定義了子圖內部和子圖之間的資訊傳播方式，這樣便能更好的抽取區域性關節資訊，同時加快資訊傳播速度。

何(geometric)特徵與動力學(kinematic)特徵

這裡的幾何資訊就是骨骼特徵（包含非骨骼連線），即在空間上計算相鄰關節座標差值，動力學特徵就是運動特徵，透過計算相鄰幀對應關節的差值得到。

基於區域性劃分的圖卷積（PBGC）

首先將人體骨架圖分為多個子圖：

並且保證相鄰兩個子圖間至少有一個公共關節。然後對每個節點，首先在其所在的子圖內執行圖卷積，再執行子圖間的資訊傳播：

其中(5)表示在分圖p中的點vi的卷積結果，Nkp是點vi在子圖p中的鄰接節點集合，Wp表示點子圖p的權重矩陣（不與其他子圖共享），（6）表示點vi與相鄰子圖的鄰接節點之間的資訊聚合。其中聚合函式定義如下：

即加權平均。因此，每個點先在其所屬子圖內的鄰域進行圖卷積，再與相鄰子圖的鄰接節點進行資訊聚合。

由於不同子圖之間不共享權重，因此子圖劃分策略就異常重要。本文提出了多種不同的劃分策略，可以按上下不同肢體劃分，可以按左右劃分，其中效果最好的是四部劃分：

這是因為人體骨架左右對稱，左手和右手往往具有非常相似的行為，適合共享權重，而不同型別的肢體往往具有不同的運動特徵，因此適合劃分到不同子圖。

時空圖卷積

這部分與ST-GCN中的時空圖卷積比較相似。

公式15表示時域卷積，將每個關節與該關節前後τ幀內的值做加權求和。

2s-SDGCN Spatial Residual Layer and Dense Connection Block Enhanced Spatial Temporal Graph Convolutional Network for Skeleton-Based Action Recognition（ICCV 2019，workshop）

本文方法相對較簡單，即認為空間資訊重要性更強，因此在殘差連線中也進行圖卷積：

上方綠色部分是本文使用的殘差連線，而ST-GCN是用的殘差連線只有簡單的通道變換，沒有鄰接矩陣參與運算。

用公式表示如下：

此外，還新增了dense連線(DCB):

將這兩種方法結合到一起，再嵌入到其他方法中。

STGR: Spatio-temporal graph routing for skeleton-based action recognition(AAAI, 2019)

本文從時間和空間的角度設計了鄰接矩陣計算方法，以計算節點之間的時間和空間關係。雖然設計了較為複雜的鄰接矩陣策略，但效果並不如2S-AGCN。

空間圖路由子網路

首先根據一種無引數圖劃分策略，將每一幀的原始圖劃分為K個子圖。將每個子圖都當成強連通圖，這樣就能得到空間圖序列：

為1時，表示關節i與j在時刻t是相連的，為0時表示不相連，是否相連是根據子圖劃分情況來決定的，而任意兩個子圖的節點之間都不會相連（完全隔離）。

得到了空間連線圖序列後，就要從所有圖中選出最具資訊的一個，首先用7*7的卷積來聚集區域性特徵，然後再全域性取平均（GAP）:

這樣就將每一時刻的圖都用一個標量值來表示：

這樣就包含了圖的所有資訊，並且是一個序列。使用兩層全連線層來對m進行進一步加權：

其中：

得到的μ也是一個長為T的權重向量，將T作為權值，回代到原圖G中，並在時間範圍做平均：

整個這一步，實際上就是對每個時刻的圖做了一次加權平均。

時間路由子網路

首先將輸入序列用每個關節的時序軌跡來表示，這樣就得到了N個獨立的關節軌跡。接著用一個LSTM來學習每個關節軌跡的淺層表示：

將LSTM最後一個時間步的隱狀態作為該關節軌跡的最終表示。（這裡說LSTM在不同關節軌跡間引數不共享）得到關節特徵經過編碼後的特徵序列：

接著透過FC層轉換和向量點乘（類似於embedded高斯函式）來計算兩個關節之間的聯絡：

最終學習到關節之間的時域聯絡。

時空特徵融合

網路結構示意圖

透過concate的方法融合學習到的圖，然後進行圖卷積。

關節連線視覺化

圖(a)是關節的原始關節骨骼連線，圖(b)是空間圖路由學習到的關節連線，圖（c)是時間圖路由學習到的連線。

學習到了時間和空間圖分別對應各自的鄰接矩陣，在進行圖卷積時透過加法進行特徵融合：

其中。這個公式和ST-GCN很相似，只不過ST-GCN中只有三個不同的空間圖，沒有時間圖。因此本文的工作實際上就是在ST-GCN的基礎上，增加了兩個額外的鄰接矩陣策略，其他地方沒有明顯改動。最佳化時不僅使用分類損失函式，還使用圖稀疏損失函式，以確保圖的稀疏性：

AGC-LSTM: An Attention Enhanced Graph Convolutional LSTM Network for Skeleton-Based Action Recognition(CVPR,2019)

傳統的 LSTM 每一時間步的輸入都是一維向量， convLSTM 將卷積操作作為元計算方式，從而讓LSTM 可以接受圖片時間序列作為輸入，進一步地，本文將 GCN 作為 LSTM 的元計算方式，從而可以讓 LSTM 可以接受圖時間序列作為輸入。

資料增強

透過求相鄰幀插值可以得到motion資訊，再透過FC和將motion資訊與原始資料結合，然後透過LSTM進行初步的通道擴張：

得到的Eti具有512通道數，作為LSTM網路的輸入。此外，本文還將part流作為另一個資料流：

透過雙流融合來提升效果。

注意力增強型圖卷積LSTM網路

和傳統LSTM一樣都具有三個門結構，輸入門，遺忘門，輸出門。但是這些門是透過圖卷積操作來計算的。單元結構和計算公式如下：

空間注意力機制

對每個時步而言，將其所有節點對應的輸出值加權求和：

然後再新增res連線：

計算得到一個attention係數αt，注意αt長度是一個長度為N（節點數）的向量，最終該時間步節點 i 的輸出值為：

在最後一層，將不同節點的輸出聚合起來，就得到了該時間步的最終輸出值：

得到的（global）和（local）用於最終的動作類別預測。

時序平均池化

在AGC-LSTM層之間進行時間維度上的池化，可以逐步提高AGC-LSTM層的時間感受野，同時也能大幅度降低計算量。

損失函式

不僅對和輸出進行監督，還額外對他們的 attention 值進行監督，第三項保證對不同的關節賦予的相同的注意力，第四項保證關注的關節數量是有限的。

筆者認為只要是多輸入網路，不侷限於單純的關節位置，就可以看成是一種資料增強方法。從前面的一些文章中可以發現資料增強是廣泛使用的策略，這裡介紹一些以資料增強為核心的文章。

VA-fusion: View Adaptive Neural Networks for High Performance Skeleton-based Human Action Recognition（TPAMI, 2018）

光學估計和穿戴式感測器是目前常用的兩種三維運動資料採集方法。而光學估計會受到機位和視角的影響，即對同一段動作，在不同的機位和角度下，估計得到的3D骨骼資料是有差異的：

本文提出了一種視角自動學習網路來解決這個問題，即讓網路自行學習最佳的攝像機視角，即對骨架進行一定的旋轉和平移，引數為[αt, βt, γt, dt]，其中前三個分別對應是三個軸的旋轉引數，dt表示位移，因此變換公式為：

對每一幀，都有一組對應的視角變換引數。

可以分別在RNN和CNN上學習視角變換，不同的網路對應不同的變換方法：

其中LSTM作為主網路時，透過LSTM層學習四個引數（對每一幀）在CNN作為主網路時，先將骨架對映為偽RGB圖，然後透過以下公式進行座標變換：

其中 R 是旋轉矩陣，由旋轉引數得到。

本文還提出了隨機旋轉骨架的資料增強方法，可以在一定程度上降低過擬合。此外，將座標原點移動到每個動作第一幀的身體中心，這樣可以讓網路對起始位置不敏感。

3SCNN：Three-Stream Convolutional Neural Network with Multi-task and Ensemble Learning for 3D Action Recognition(CVPR workshop, 2019)

傳統的資料增強方法中，joint, bone, motion資料通常是獨立的，透過在網路最後進行融合來提高識別精度。本文提出可以在網路中段對三個特徵流做資訊互動。

整個網路分為三個stage：

資料增強

從原始資料中額外生成motion 和 bone 資料，這樣就有三個資料流。

Enhanced point-level feature learning

資料特徵增強。作者認為即便是3D骨骼資料，同一序列不同的機位下估計得到的資料仍然具有差異，因此可以將原始動作透過座標旋轉變換來增強，即coordinate adaptive module。而旋轉矩陣不是人工提前設定，而是由網路透過FC層學習得到：

L就是旋轉矩陣的個數，即增強的資料倍數。將得到的L組增強資料在通道維度進行concat，然後再透過point-level convolution(參考HCN)進一步提取特徵。

Pairwise feature fusion

將三個資料流進行特徵融合，有兩種融合方法：

Conv block包含兩層卷積，卷積核大小都是3*3，channel為128, 256。Concat即特徵融合，在通道維度上融合。圖(a)是不共享conv block的引數，其效果要好於圖（b）的共享引數block，但相應的引數也增多。

Ensemble

將三個資料流透過損失函式求和的方法實現相互監督：

SGN: Semantics-Guided Neural Networks for Efficient Skeleton-Based Human Action recognition

側重於模型的效率，透過人工特徵工程來進行資料增強，從而保證網路能在更少的層數下（相對於之前的GCN工作），仍然能達到很好的效果。

Dynamics and Semantics information

其中velocity就是同一關節前後幀之間的差值（到目前為止，我們所瞭解到的差值有兩種：一種是時間上，相鄰幀的差值，這是一種簡單的 temporal資訊，另一種是空間上，相鄰關節的座標差，稱為bones資訊，從2s-AGCN和DGNN的實驗結果來看，透過求差得到的bones資訊對分類帶來的提升效果要遠高於temporal資訊）。Velocity 和 position 統稱為dynamics資訊。

Frame index 和 joint type 就是 semantics 資訊，用 One-hot 表示。

透過兩層FC分別將這四種資訊對映到高維空間，然後再透過concate的方式進行特徵聚合：

Semantic-aware graph convolution

不能只使用dynamic資訊來決定關節之間的連線，因為不同關節對的dynamics資訊可能相同，而他們的連線權重應該是不同的。即便是同一個序列，其在不同幀中的關節之間的關係也可能不同。因此還需要聯合sematic資訊。對於一個T幀，每幀有J個關節的序列，為其構建一個有T*J個節點的圖。其中幀號為t，關節號為j的關節，其對應第J(t-1) + j 個節點。這樣便能得到一個spatio-temporal graph，可以對這個graph計算相應的鄰接矩陣，接著透過動態的圖內容自適應連線（content adaptive connections）來計算鄰接矩陣，和2S-AGCN不同的是，本文提出即便是在一個序列內，不同幀所包含的關節併發資訊也不同，因此需要將自適應性細化到每一幀。計算方法類似於高斯函式：

接著透過GCN和 residual 殘差連線的結合，來實現資訊在關節間的傳播：

其中 G 是鄰接矩陣，所有W都是可學習的權重矩陣（變換矩陣）。自適應鄰接矩陣會將圖變成強連通圖，因此發掘的資訊是全域性 global 資訊，而對於區域性的資訊（parts, local），可以用CNN來發掘。

Semantics-aware convolution

GCN主要是提取了關節之間全域性關聯（global correlation）的探究，這是因為adaptive connections讓每個關節都有一個覆蓋其他所有關節的卷積核（表現在鄰接矩陣G上），而CNN具有更小的卷積核，可以發掘關節之間的區域性關聯（local correlation）模式（pattern），這和之前的那些基於parts的方法有相同的思想。

Sym-GNN: Symbiotic Graph Neural Networks for 3D Skeleton-based Human Action Recognition and Motion Prediction(submitted to IEEE-TPAMI,2019)

本文是CVPR 2019文章：Actional-Structural Graph Convolutional Networks for Skeleton-based Action Recognition（AS-GCN）的期刊版本。進行了一些改進，效果要比AS-GCN好一些。

本文融合使用了諸多上面已經介紹過的方法，並提出了預測和分類任務相互監督的訓練方法，可以有效提升模型對關節特徵的獲取能力。

資料增強

首先將 bone 也作為一個獨立資料分支，透過和 joint 流融合得到預測結果。（上圖中的 Dual 和 Prime ）。

其次提出透過求差值，求導操作（difference operate）獲取關節的動態資訊，包括移動向量（motion），速度和加速度：

β 取0,1,2時分別對應motion，velocity和accleration。

鄰接矩陣策略

本文的鄰接矩陣策略相對其他工作要複雜一些，主要由以下兩部分構成：

1. Actional Graph Convolution(AGC)

首先設計了一種資訊在節點和邊之間迴圈傳播更新的方法，這樣做是為了得到節點的高維特徵表示，進而用於計算鄰接矩陣，而不是直接更新節點資訊：

注意，第0次迭代時，每個節點的輸入是該節點在所有幀的位置所構成的序列，即關節軌跡(node trajectory)，因此以上公式不包含維度t的資訊。F都表示FC層。

實際上，這樣的資訊逐層傳播迭代的思想與GCN相同，但細節不同。首先始終以節點為終點，而邊只是中間變數，其次任何兩個點之間都要進行傳播，相當於是在強連通圖下進行特徵傳播，而不侷限於關節的物理連線。多次迭代後每個節點都能充分的聚合其他所有節點的資訊。且不同於ST-GCN，因為節點在資訊傳播時，是帶著時序所有資訊進行傳播的。

在經過了K次迭代後，每個節點的特徵都得到了更新，此時根據embedded高斯函式來計算兩個節點之間的關聯絡數，由此得到一個新的鄰接矩陣：

f 和g分別是兩個 embedding 全連線層。學習到的鄰接矩陣類似於2S-AGCN中的 attention 鄰接矩陣，只不過embedding採用的是全連線層而不是卷積層。這部分的整體計算流程如下：

計算得到鄰接矩陣後，進行常規的圖卷積：

注意此時圖卷積的物件就是每一幀的資料（t上標），而不是關節軌跡。

1.2 Structural Graph Convolution(SGC)

這部分透過對基礎鄰接矩陣取不同的冪次來提升每個節點的感受野，卷積公式如下：

依然是對每幀進行圖卷積，其中γ表示對鄰接矩陣取γ冪次。此外，類似於ST-GCN，還為A新增了加權權重：

1.3 joint scale graph convolution(JGC)

對前面兩部分卷積結果加權求和：

注意這裡卷積物件都是單幀圖。本文還提出了一種關節位置限制機制，來限制每一層提取的特徵的變化程度，從而提高穩定性，降低噪聲資料的影響。

時序特徵提取

joint-scale graph and temporal convolution block（J-GTC）

時序卷積就是在沿著時間維度做卷積，這部分的思想和ST-GCN相同，先進行空間上的圖卷積，再進行時間上的一般卷積，如此反覆，可以串聯地學習時空特徵：

ρ 是非線性啟用函式。TC 將每個關節與其前後多幀範圍內的值進行卷積，屬於1D 卷積。

J-GTC block同時包含了batch norm，dropout，residual connection模組。

多尺度卷積：Part-based策略

GC-LSTM將part-based流作為獨立資料流輸入，只在最後與Joint流做特徵融合，本文加強了兩個資料流之間的資訊交流，主要是在合適的位置將兩個特徵流沿節點維度進行拼接：

首先將人體分為多個part，每個part內的關節取平均值，這樣每個part就變成了一個節點這麼做相當於降低了圖的解析度。兩個資料流透過pooling和matching的方法進行特徵互動。Matching是將part scale圖的單個節點複製多次，得到joint scale圖。

分類和預測任務共同監督

同時進行動作識別和動作預測的任務（分別使用不同的任務網路），在最佳化時，損失函式為二者的加權和：

其中引數透過 multiple gradient descent algorithm 演算法獲得。