Räumlich-zeitliche Graph-Faltungsnetzwerke
Räumlich-zeitliche Graph-Faltungsnetzwerke (ST-GCN) ist eine Architektur, die 2018 von Yan et al. für die skelettbasierte Aktionserkennung eingeführt wurde. Durch die Modellierung menschlicher Skelette als Graphen, bei denen Gelenke Knoten und Knochen Kanten sind, wendet ST-GCN räumliche und zeitliche Graph-Faltungen an, um Aktionen aus Skelettsequenzen zu erkennen.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Spatial-Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition. ScholarGate. https://scholargate.app/de/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)Deep Learning↔ compare
- Swin TransformerDeep Learning↔ compare
- Vision MambaDeep Learning↔ compare
- Vision TransformerDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →