STGCN

简介

@inproceedings{yan2018spatial,
  title={Spatial temporal graph convolutional networks for skeleton-based action recognition},
  author={Yan, Sijie and Xiong, Yuanjun and Lin, Dahua},
  booktitle={Thirty-second AAAI conference on artificial intelligence},
  year={2018}
}

模型库

NTU60_XSub

配置文件	骨骼点	GPU 数量	主干网络	Top-1 准确率	ckpt	log	json
stgcn_80e_ntu60_xsub_keypoint	2d	2	STGCN	86.91	ckpt	log	json
stgcn_80e_ntu60_xsub_keypoint_3d	3d	1	STGCN	84.61	ckpt	log	json

BABEL

配置文件	GPU 数量	主干网络	Top-1 准确率	类平均 Top-1 准确率	Top-1 准确率（官方，使用 AGCN）	类平均 Top-1 准确率（官方，使用 AGCN）	ckpt	log
stgcn_80e_babel60	8	ST-GCN	42.39	28.28	41.14	24.46	ckpt	log
stgcn_80e_babel60_wfl	8	ST-GCN	40.31	29.79	33.41	30.42	ckpt	log
stgcn_80e_babel120	8	ST-GCN	38.95	20.58	38.41	17.56	ckpt	log
stgcn_80e_babel120_wfl	8	ST-GCN	33.00	24.33	27.91	26.17*	ckpt	log

* 注：此数字引自原论文，实际公开的模型权重精度略低一些。

如何训练

用户可以使用以下指令进行模型训练。

python tools/train.py ${CONFIG_FILE} [optional arguments]

例如：以一个确定性的训练方式，辅以定期的验证过程进行 STGCN 模型在 NTU60 数据集上的训练

python tools/train.py configs/skeleton/stgcn/stgcn_80e_ntu60_xsub_keypoint.py \
    --work-dir work_dirs/stgcn_80e_ntu60_xsub_keypoint \
    --validate --seed 0 --deterministic

更多训练细节，可参考基础教程中的 训练配置 部分。

如何测试

用户可以使用以下指令进行模型测试。

python tools/test.py ${CONFIG_FILE} ${CHECKPOINT_FILE} [optional arguments]

例如：在 NTU60 数据集上测试 STGCN 模型，并将结果导出为一个 pickle 文件。

python tools/test.py configs/skeleton/stgcn/stgcn_80e_ntu60_xsub_keypoint.py \
    checkpoints/SOME_CHECKPOINT.pth --eval top_k_accuracy mean_class_accuracy \
    --out result.pkl

更多测试细节，可参考基础教程中的 测试某个数据集 部分。