关于【什么动作可以判断骨骺线】，基于人体骨骼序列的动作识别与预测，今天犇涌小编给您分享一下，如果对您有所帮助别忘了关注本站哦。

内容导航：1、基于人体骨骼序列的动作识别与预测2、什么动作可以判断骨骺线，基于人体骨骼序列的动作识别与预测1、基于人体骨骼序列的动作识别与预测

一、摘要

基于人体骨骼序列的动作识别任务旨在根据完整序列推断已完成的动作的类别，是 一种事后动作分析方法。与动作识别不同，动作预测任务根据已观测的部分序列尽可能 早地识别正在执行的动作的类别，能够实现在线动作分析。动作识别与动作预测广泛应 用于体感游戏、智能驾驶、人机交互以及智能医疗等领域。

在基于人体骨骼序列的动作识别中，如何从骨骼序列中提取有效的动作特征表示对 判断动作类别十分重要。为此，噼里啪啦一顿牛皮的内容分享完毕，记住提出了一种早期融合图卷积网络(Early Fusion Graph Convolutional Network，EF-GCN)，将多种骨骼数据流子网络的不同层次特征进行交替 融合，充分利用了多种骨骼数据流的互补性以增强动作特征表示。EF-GCN在NTU RGB+D数据集与NTU-120 RGB+D数据集上实现了优越的动作识别性能。

在基于人体骨骼序列的动作预测问题中，输入数据仅包含动作的早期执行序列，时 序结构不完整，且丢失了部分关键动作执行信息，对正确识别动作类别带来了很大的挑 战。针对动作预测的难点问题，噼里啪啦一顿牛皮的内容分享完毕，记住提出了两种动作预测方法。首先，提出了一种带有 早期注意力模块的图卷积动作预测网络(Graph Convolutional Network with Early Attention Module，GCN-EAM)，引入早期注意力模块鼓励预测模型更加关注动作序列的 早期部分，自适应地增强有利于早期动作预测的判别性信息。然后，提出了一种两阶段 知识蒸馏动作预测框架，借助于完整度更高的高观测率序列中的先验知识来判别低观测 率序列中动作的类别。

二、研究背景与意义

目前大多数的动作识别与动作预测的方法以二维RGB(Red，Green，Blue)图像序列 为输入，通过提取人的表观和运动信息来分析动作类别。然而，准确地从RGB图像序 列中识别人的动作是一项非常困难的任务。一方面，RGB图像是三维空间中的人体动 作向二维平面空间的投影，丢失的三维人体结构信息对在线分析动作类别造成重要影 响。另一方面，一帧RGB图像通常包含几百万像素，其中相当数量的像素是与动作无 关的背景噪声，对动作模型产生很大干扰。此外，RGB图像序列庞大的数据量需要非 常高的计算代价，动作分析模型的复杂度越来越高。

人体骨骼序列是表示人类动作的另一种数据模态，用人体关键骨骼点的三维位置坐 标描述人的姿态，用骨骼点的三维运动轨迹表达人的动作。目前，低成本深度传感器可 以实时获取准确的三维骨骼数据。与RGB图像相比，骨骼序列更好地表达了人体的三 维运动结构，提供了更丰富、全面的运动信息；同时大幅降低了数据维度，计算代价更 小。此外，骨骼序列对背景干扰、相机视角变化、光照条件变化等因素具有更强的鲁棒 性，便于提取更纯粹的动作表示。因此，基于人体骨骼序列的动作识别与预测受到了越 来越多的关注。

目前，基于人体骨骼序列的动作识别与动作预测仍然具有挑战性，亟需解决几个技 术难点。首先，人体骨骼序列本质上是多个骨骼点组成的时序拓扑图结构，然而仅仅利 用天然骨骼图结构不足以表达骨骼点在不同动作中的协同运动关系，因此需要深入挖掘 骨骼点的空间图结构信息和时序运动信息。其次，与动作识别不同，动作预测的任务特 点要求模型根据不完整的骨骼序列进行动作分类，预测的准确性很大程度上取决于模型 能否捕捉到对动作分类具有强判别能力的关键片段，而这些关键片段可能出现在动作中后期。此外，学习完整动作序列中的动作时序结构有助于建立更准确的动作预测模型， 但是完整动作序列和不完整动作序列具有不同的特征分布，因此，完整序列中的先验知 识不能直接用于动作预测模型。

三、动作识别

现有的基于人体骨骼序列的动作分析方法主要关注动作识别任务，研究方法主要可 分为两类：基于手工设计特征的方法与基于深度学习的方法。前者对三维骨骼坐标 进行变换，利用传统机器学习方法挖掘骨骼点之间的空间关系和时序关系。然而，这类 方法的泛化性能较差，训练的模型往往只适用于具有特定分布的数据。

基于深度学习的 方法主要包括卷积神经网络(Convolutional Neural Network，CNN)、循环神经网络 (Recurrent Neural Network，RNN)和图卷积神经网络(Graph Convolutional Network， GCN)。长短期记忆网络(Long Short-Term Memory，LSTM)、门循环单元(Gate Recurrent Unit，GRU)等循环神经网络能够契合骨骼点的序列化特点，通过学习时序上下文关 系进行动作分类，但是骨骼点的空间信息表达能力较弱。与基于RNN的方法不同，CNN 模型具有优越的空间特征学习能力，可以高效、方便地提取高层语义信息。由于CNN 通常以图像为输入，一些方法首先将三维骨骼点位置坐标序列转换成一张伪图像或 者一组伪图像序列，然后通过卷积操作学习高层特征表示。

为了更好地挖掘骨骼序列的 运动特点，一些工作致力于将骨骼点的运动信息转换成伪图像，然后利用CNN提 取特征。尽管如此，基于CNN的方法只能编码短期的骨骼运动信息，长期时序建模能 力不如RNN。

2018年，香港中文大学林达华教授团队提出了ST-GCN(Spatial Temporal Graph Convolutional Networks，ST-GCN)模型，首次用图卷积神经网络解决基于人体骨骼序 列的动作识别问题。不同于基于RNN和CNN的方法用一个向量代表所有骨骼点的坐标， ST-GCN很好地利用了人体骨骼的天然拓扑图结构，将骨骼点的邻接关系类比成图像中 像素的邻域关系，设计了基于骨骼图结构的卷积操作，通过多层空间卷积和时序卷积学习骨骼点的深度特征表示。

当识别类似“走路”动作类别时，由于ST-GCN只考虑了人 体关节点的物理连接，忽略了手与脚虽然不存在物理连接但是二者具有协同运动关系， 从而导致模型的动作识别准确率降低。为了解决这一问题，中科院自动化所、上海交通 大学、浙江大学等研究团队[18-26]通过挖掘各个骨骼点在不同动作中的上下文关系，进一 步优化了图卷积神经网络中结点的邻接关系。如Li等人提出了一种动态结构图卷积 网络(Actional-Structural Graph Convolution Network，AS-GCN)解决动作识别问题。

AS-GCN引入了动态连接和结构连接捕获特定动作的潜在依赖关系以及骨骼图更高 层次的依赖关系，学习更具有判别性的特征表示进行动作分类。如Shi等人提出了一 种双流自适应图卷积网络(Two Stream Adaptive Graph Convolutional Network，2S-AGCN) 实现动作识别。2S-AGCN采用数据驱动方式学习人体骨骼图的拓扑结构，提升了模 型构建图的灵活性以及模型的泛化能力。如Chen等人开发了一种新的基于通道的拓 扑强化图卷积网络动态学习并聚合通道维度的关节点特征，灵活有效地对图进行关联建 模从而实现基于人体骨骼序列的动作识别。

四、噼里啪啦一顿牛皮的内容分享完毕，记住主要研究内容及创新点

1．噼里啪啦一顿牛皮的内容分享完毕，记住研究了基于人体骨骼序列的动作识别问题。动作识别是一种事后视频分析 任务，目的是根据完整序列对动作进行分类。噼里啪啦一顿牛皮的内容分享完毕，记住提出了一种早期融合图卷积网络(Early Fusion Graph Convolutional Network，EF-GCN)，该网络融合从多种骨骼数据流中提取的 不同层次的隐藏特征，挖掘多种骨骼数据之间的互补性以增强特征的识别能力。与以往 图卷积动作识别网络的训练方式不同，在噼里啪啦一顿牛皮的内容分享完毕，记住提出的EF-GCN中，不同骨骼数据流的子 网络采用端到端的联合学习方式。在两个公开骨骼数据集NTU RGB+D和NTU-120 RGB+D上进行的实验验证了早期融合策略对动作识别任务的有效性。

2．噼里啪啦一顿牛皮的内容分享完毕，记住研究了基于人体骨骼序列的动作预测问题。与动作识别相比，动作预测任 务更具挑战性，它需要根据动作执行的开始部分尽可能早地做出决策。噼里啪啦一顿牛皮的内容分享完毕，记住提出了两种 动作方法，并在NTU RGB+D数据集上验证了两种方法对动作预测任务的有效性和合 理性。

(1) 噼里啪啦一顿牛皮的内容分享完毕，记住提出了一种带有早期注意模块的图卷积网络(Graph Convolutional Network with Early Attention Module，GCN-EAM)实现动作预测。GCN-EAM不依赖动作执行的 进展水平或完整序列，从动作预测问题的本质出发，尽可能多地利用动作执行早期阶段 中的判别性信息进行动作分类。GCN-EAM采用一系列时空图卷积模块从部分序列中提 取特征，并引入早期注意力模块自适应地增强动作开始阶段的判别性特征，从而提升模 型的预测性能。

(2) 噼里啪啦一顿牛皮的内容分享完毕，记住提出了一种两阶段知识蒸馏动作预测框架，采用知识蒸馏学习算法迁移不同 进展水平的先验知识来辅助学习动作预测模型。在第一阶段，动作预测模型(也称学生 模型)自适应地从多个老师模型中学习不同进展水平的先验知识。在第二阶段，将前一 阶段生成的学生模型作为老师模型进行知识蒸馏学习，并采用适应性自训练方式产生更 好的动作预测模型。最后，将两个阶段训练的预测模型组成双流动作预测框架。

五、知识蒸馏

在深度学习中，由单个复杂网络或者若干个网络集合组成的大模型通常具有更好的 表达能力和泛化能力，但其参数量较高且难部署。与之相反，小模型参数量较少且易实 现，但由于网络规模较小其泛化能力和表达能力均有限。

通过采用知识蒸馏方法能够实 现模型压缩、加速与知识迁移，小模型利用大模型的先验知识进行训练，从而提升自身 的性能和泛化能力。Hinto于2015年首次提出了知识蒸馏的概念，具体是指通过引 入预先训练的老师模型，采用其输出的软目标对学生模型进行指导训练，实现先验知识 从繁琐复杂的老师模型迁移到简单易部署的学生模型中。Hinton提出的知识蒸馏网络 用于解决图像分类问题，使用Softmax层输出的类别概率分布获得软目标实现蒸馏。老 师模型的预测输出除以超参数温度(Temperature，T)，再采用Softmax激活函数计算，从 而获得较为缓和的概率分布，也称为软目标。在学生模型训练过程中，以老师模型提供的软目标和真实类别标签作为监督信息进行训练学习。

2、什么动作可以判断骨骺线，基于人体骨骼序列的动作识别与预测骨骺线对于身高管理很重要

大腿骨、胫骨、腓骨和肱骨等其他长骨一起，组成了人体四肢骨架。位于上下肢长骨的两端，称作骨骺，在X光片子上表现为一条发亮的线(透光带)，实际上是一层软骨，新骨就是从这里长出来的，“生长板”由此得名。

骨骺线在生长期一直开放着，长骨因骨头不断生长而拉长，个头随之增高。如果到期了(如青春期结束)，这条线就会关闭(完全钙化)，骨骼生长停止，身高也就定格了(如果该闭合时仍然开放着，可引发很少见的“巨人症”，也是一种病态)。也就是说，骨骺线上可以判断一个人是否可以继续长高。

骨骺线闭合前，如何科学延长孩子长高期限?

1、管住嘴

不要盲目给孩子服用“偏方”或“补品”，如人参、蜂王浆、燕窝等，这些食物大多含有类雌激素物质，儿童服用后极其容易早熟。家长们可以算一笔账，孩子的发育每提前1年，成年身高可能损失5cm。

你家孩子达标了吗

2、慎用药

有慢性鼻炎的孩子，慎用糖皮质激素类药物。影响生长，可能造成儿童生长发育迟缓、身材矮小。

3、勤检查

凡肥胖、性早熟及身材矮小症的孩子有必要定期测骨龄，建议半年1次，并对其发育做出评估，以便采取针对性对策，改进身高管理措施。正常孩子可以一年做1次检查，实行惯例监测即可。

长高问题可以提问

4、改饮食

要营养均衡，偏矮或者骨龄落后的孩子要多补充肉蛋奶，多吃含钙量高的食物，比如牛肉、虾仁、鱼肉、菠菜、牛奶、鸡蛋、虾皮、海带等。

5、少生病

过敏体质、脾虚、容易感冒、咳嗽，睡觉困难、挑食都会影响孩子生长发育，有这些问题的可以告诉我，帮孩子调理，及时强健体魄，身高体重才能达标。

有人说长高只跟爸妈高低有关，其实后天因素也占了一大部分，在孩子骨骺线没有闭合之前做好管理，孩子是可以比遗传身高多长5—10公分的，家长有关长高的问题现在就可以向我提问，可以一起交流孩子长高经验以及成长中的问题。

噼里啪啦一顿牛皮的内容分享完毕，记住关键词：怎样检测骨骺线，如何简单判断骨骺线，怎么自行判断骨骺线，如何检测骨骺线，用什么方法可以判断骨骺线有没有闭合。