基于层次化核解耦图卷积的骨架动作识别：通过结构化表征提升运动模式分析

《Pattern Recognition》：Hierarchical Kernel Decoupling for Graph Convolution: Enhancing Skeleton-based Action Recognition through Structured Representation

本文提出了一种创新的层次化核解耦图卷积网络（HKD-GCN），通过解耦空间聚合语义与静态拓扑约束，解决了传统图卷积网络（GCN）在骨架动作识别中表征能力受限的问题。该方法通过K跳邻域划分（KHNP）模块构建多级感受野，并结合上下文感知分区增强器（CAPE）动态调整节点权重，实现了结构化自适应表征学习。实验表明该模型在多个大规模基准数据集上达到最优性能，为运动功能分析提供了高效计算框架。

　　

亮点

层次化核解耦图卷积（HKD-GCN）通过双重模块实现拓扑与语义解耦：K跳邻域划分（KHNP）构建多级感受野，上下文感知分区增强器（CAPE）动态优化节点贡献。结合多分支时序建模，在NTU RGB+D等基准数据集上实现最优性能，为复杂运动模式解析提供新范式。

结论

我们提出的层次化核解耦图卷积网络（HKD-GCN），通过核心的层次化核解耦机制，以两个渐进模块实现空间聚合的层级解耦。K跳邻域划分（KHNP）模块通过分层解耦邻接矩阵，使卷积核能够同时表征局部和远端关节的交互关系。上下文感知分区增强器（CAPE）进一步细化分区内节点权重，提升对异构空间上下文的区分能力。这种双重解耦将固定拓扑约束的卷积核转化为自适应结构感知算子，显著提升了骨架动作识别的表征效率和判别能力。