Réseaux de convolution sur graphes spatio-temporels
Les réseaux de convolution sur graphes spatio-temporels (ST-GCN) sont une architecture introduite par Yan et al. en 2018 pour la reconnaissance d'actions basée sur des squelettes. En modélisant les squelettes humains comme des graphes où les articulations sont des nœuds et les os des arêtes, ST-GCN applique des convolutions sur graphes dans l'espace et le temps pour reconnaître des actions à partir de séquences de squelettes.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Spatial-Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition. ScholarGate. https://scholargate.app/fr/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 (Modèle à espace d'états)Apprentissage profond↔ compare
- Swin TransformerApprentissage profond↔ compare
- Mamba VisionApprentissage profond↔ compare
- Vision TransformerApprentissage profond↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →