Rumlig-tidslige graf-konvolutionelle netværk
Rumlig-tidslige graf-konvolutionelle netværk (ST-GCN) er en arkitektur introduceret af Yan et al. i 2018 til skellet-baseret handlingsgenkendelse. Ved at modellere menneskelige skeletter som grafer, hvor led er knudepunkter og knogler er kanter, anvender ST-GCN graf-konvolutioner på tværs af rum og tid for at genkende handlinger ud fra skelletsekvenser.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Yan, S., Xiong, Y., & Lin, D. (2018). Spatial temporal graph convolutional networks for skeleton-based action recognition. In Proceedings of the AAAI Conference on Artificial Intelligence (Vol. 32). link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Spatial-Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition. ScholarGate. https://scholargate.app/da/deep-learning/spatial-temporal-gcn
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Mamba (State Space Model)Dyb læring↔ compare
- Swin TransformerDyb læring↔ compare
- Vision MambaDyb læring↔ compare
- Vision TransformerDyb læring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →