实际上,本文提出模通过不断堆叠ST-GCN从图结构输入中持续提取高级的语义特征,具体如下: self.st_gcn_networks=nn.ModuleList(( st_gcn(in_channels,64,kernel_size,1,residual=False,**kwargs0), st_gcn(64,64,kernel_size,1,**kwargs), st_gcn(64,64,kernel_size,1,**kwargs), st_gcn(64,64,ke...
sudo apt-get install ffmpeg%cd/content/st-gcn-master/torchlight !python setup.py install%cd..!bash/content/st-gcn-master/tools/get_models.sh !pip install-U PyYAML !python main.py demo--video/content/st-gcn-master/resource/media/clean_and_jerk.mp4--openpose/content/openpose/build...
我们把它下载到本地,然后打开。 复现成功!!! 也可以换一个视频测试一下,比如执行 !python main.py demo --video /content/st-gcn/resource/media/skateboarding.mp4 --openpose /content/openpose/build 大功告成。
51CTO博客已为您找到关于st-gcn的相关内容,包含IT学习相关文档代码介绍、相关教程视频课程,以及st-gcn问答内容。更多st-gcn相关解答可以来51CTO博客参与分享和学习,帮助广大IT技术人实现成长和进步。
STGCN模型文件 图卷积必备模型文件(已更新),结果比原始有优化 包括三种模型文件:st_gcn.kinetics.pt、st_gcn.ntu-xsub.pt、st_gcn.ntu-xview.pt openpose获取姿态文件,可采用新的姿态估计模型,好的姿态数据对动作识别会有提升 双流法对结果也会有优化,但目前结合的不够理想 stgcn在谷歌云盘复现:https://blog...
本文提到的 k-order ChebNet 和上次读书会分享的 GeniePath:自适应感受路径的图神经网络 GeniePath 复现代码 Github 链接,都是可以进行 k-hop 邻居信息汇聚的方法,可以简单地认为 GeniePath 是增加了 LSTM 的存储 cell 的 GCN,以实现文章提到的自适应感受野的目的。本文的代码复现,后续会发到的链接(github.com/...
从论文所提供的实验结果,结合我其它的复现结果,整体来看,CL4ST准确率与STAEformer和TPGNN相当,略差于PDFormer和TrendGCN,优于其它模型如Graph WaveNet、AGCRN等。准确率还不错。 从速度上看,单看PEMS04(论文只给了这个数据集的超参数设置),CL4ST是最慢的 7h40min,对比起来STAEFormer是1h30min,PDFormer是6h30...
复现st-gcn(win10+openpose1.5.1+VS2017+cuda10+cudnn7.6.4),程序员大本营,技术文章内容聚合第一站。
利用openpose提取自建数据集骨骼点训练st-gcn,复现st-gcn 0、下载st-gcn 参考: gitbub上fork后导入到gitee快些: st-gcn下载 也可以直接下载zip文件后解压 1、处理准备自己数据集 数据集要求将相同类别的视频放到同一文件夹,我这里用到一个较老的数据集:training_lib_KTH.zip,六种行为放到六个不同文件夹。