Metodes pierādījumu reģistrs

Spatial-Temporal GCN

Spatial-Temporal Graph Convolutional Networks (ST-GCN) is an architecture introduced by Yan et al. in 2018 for skeleton-based action recognition. By modeling human skeletons as graphs where joints are nodes and bones are edges, ST-GCN applies graph convolutions across space and time to recognize actions from skeleton sequences.

Sources recorded, not reviewed

Avota reģistrs

Atsauces kopētas tieši no metodes avota reģistra. Tās nenozīmē nekādu apgalvojumu līmeņa verifikāciju.

Spatial-Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition

Taksonomiskās metodes reģistrs · ml-model / deep-learning

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). · URL

Atvērt pilnu metodi

Kurēti apgalvojumi

Apgalvojumi saglabāti pierādījumu reģistrā, katram ar savu novērtējumu.

Vēl nav kurētu apgalvojumu

Šis skatījums neizgudro apgalvojumu novērtējumu, ja reģistrā tā nav.

Saistītās metodes

Ģenerēts no metodes grafika un parādīts kā mašīnas ieteiktas attiecības — netiek izvirzīts neviens pierādījumu apgalvojums.

Same method familyMamba (State Space Model)machine-suggested · Relational suggestion, not evidence.Same method familySwin Transformermachine-suggested · Relational suggestion, not evidence.Same method familyVision Mambamachine-suggested · Relational suggestion, not evidence.Same method familyVision Transformermachine-suggested · Relational suggestion, not evidence.