工作詳述

        接著使用圖卷積網絡 (Graph Convolutional Networks, GCN)機器學習，在時空圖上對人體動作訊息進行分析，在圖像上，卷積操作使用一些固定大小的卷積核（Kernel）來掃描輸入的圖像。
        圖卷積在於空間維度上的公式如下:

        其中，f是特徵圖，v是圖形的頂點。B是取樣區域，定義為鄉林中心頂點1單位的像素集合，也就是鄰域集(Neighbor Set），按照空間順序劃分為一系列集合[5]，每個集合包含一個像素，這些集合就構成了鄰域集的一個劃分（Partition），如圖九中的有色點，且每種顏色都與各個可學習的權重向量相對應。卷積核的參數和這個Partition中的子集個數以及特徵向量長度有關，只要定義劃分規則（Partitioning Strategy），就可以參照圖像卷積來定義卷積核的參數。w是加權函數，它提供對應於給定輸入的加權向量。加權向量的數量是固定的，而B中的頂點是變化的。映射函數l_i設計為用唯一的權重向量映射每個頂點。

在時空圖上進行骨架動作辨識，有三種空間的劃分規則:

(1)Uni-Labeling (唯一劃分)

每個相鄰節點上的特徵向量將具有相同權重向量的內積，如圖十一的(b)圖。缺點是在單幀情況下，使用此規則等於權重向量和所有相鄰節點平均特徵向量之間的內積。對於骨架序列分類不是最佳方案，此規則可能會缺乏局部差異屬性。

(2)Distance Partitioning (基於距離的劃分)

根據節點到root節點v_ti的距離d( ∙ ,v_ti)劃分鄰域集，即節點本身子集與鄰節點子集，root節點為d = 0，其相鄰點d = 1，如圖十的(c)圖，此規則可以分析骨架關鍵點之間的微分性質。

(3)Spatial Configuration partitioning (空間構型劃分)

此規則根據節點到骨架重心的距離（打叉處）與root節點的距離來標記節點，如圖十一的(d)圖，將鄰域集劃分為三個子集：
1.    root節點本身(綠色)。
2.    向心子集(藍色)，即比本節點更靠近整個骨架重心的鄰節點集合。
3.    離心子集(黃色)，即更遠離重心的鄰節點集合。

這種劃分方式具有更深的向心及離心定義。