CVPR | 即插即用CTR-GC：骨架动作识别的‘通道级拓扑精炼’新范式

主要观点总结

文章介绍了名为Channel-wise Topology Refinement Graph Convolution (CTR-GC)的深度学习模型在骨架动作识别任务中的应用。CTR-GC提出了通过“共享拓扑 + 通道特定相关性”的方式学习通道拓扑，并在多个骨架动作识别数据集上取得了优异性能。文章还介绍了CTR-GCN网络架构及其各组成部分的作用，包括空间建模模块、时间建模模块和残差连接等。

关键观点总结

关键观点1: CTR-GC模型的创新点

提出了Channel-wise Topology Refinement Graph Convolution (CTR-GC)，首次在骨架动作识别任务中建模动态的通道级拓扑。通过将现有的多类图卷积统一到一个数学形式中，CTR-GC具有更强的表示能力。

关键观点2: CTR-GCN网络架构

CTR-GCN以骨架序列为输入，利用CTR-GC在空间维度上动态建模通道级拓扑关系，提取不同通道下的关节相关性。通过多尺度时间卷积模块融合时序信息，并在残差结构的帮助下逐层加深网络。最终通过全局平均池化与分类器输出动作类别。

关键观点3: CTR-GC的作用

CTR-GC作为即插即用模块，主要用于骨架动作识别等需要建模多通道、动态拓扑关系的图学习任务。它能够灵活地捕捉不同通道下的关节相关性，从而提升模型的表达能力与识别精度。