宋懷波 華志新 馬寶玲 溫毓晨 孔祥鳳 許興時

(1.西北農(nóng)林科技大學(xué)機械與電子工程學(xué)院, 陜西楊凌 712100;2.農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)物聯(lián)網(wǎng)重點實驗室, 陜西楊凌 712100)

0 引言

奶牛關(guān)鍵點指奶牛身體部位重要的關(guān)節(jié)位置,如頭部、肩部、腿關(guān)節(jié)等[1]。關(guān)鍵點相連的骨架作為姿態(tài)的最直觀體現(xiàn),可以幫助實現(xiàn)奶牛動作行為的非接觸識別,從而為姿態(tài)表征的疾病預(yù)警提供重要技術(shù)支持。同時,關(guān)鍵點檢測還是牲畜體尺測量與身體部位分割的前置任務(wù),可為奶牛的體重與體況分析提供更為高效的數(shù)據(jù)支撐。綜上,開展奶牛關(guān)鍵點檢測技術(shù)的研究和應(yīng)用,將有助于提高養(yǎng)殖效率和健康水平,具有重要研究價值[2]。

傳統(tǒng)關(guān)鍵點檢測方法通過人工提取圖像或視頻中的關(guān)鍵點特征,如關(guān)節(jié)點之間的空間位置關(guān)系等,再通過機器學(xué)習(xí)算法進(jìn)行學(xué)習(xí)和匹配其特征及規(guī)律[3]。JIA等[4]通過骨架對奶牛不同身體部位進(jìn)行劃分用以評估其清潔度。該研究在獲得奶牛骨架圖的過程中采取特征距離變換,細(xì)化與特征檢測等步驟,然后計算相鄰的骨架路徑,并與數(shù)據(jù)庫中的模板進(jìn)行相似度匹配以獲得最佳匹配結(jié)果,最后確定每個骨骼分支所屬的類別后,將身體分為不同部分。結(jié)果表明,側(cè)視圖與后視圖的平均身體部位分割精度分別為96%和91%,為奶牛的分割任務(wù)提供了借鑒。但該骨架提取方法受人為設(shè)計特征完備性較差、機器學(xué)習(xí)算法的特征提取和泛化能力較弱的影響,在實際生產(chǎn)過程中難以應(yīng)用。

隨著深度學(xué)習(xí)的應(yīng)用,關(guān)鍵點檢測技術(shù)取得了較多進(jìn)展。基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural networks,CNN)的方法[5]無需手動設(shè)計特征,從整幅圖像中學(xué)習(xí)關(guān)鍵點表征,可以實現(xiàn)端對端的檢測,具有良好的特征提取能力和泛化能力,常見的關(guān)鍵點檢測網(wǎng)絡(luò)包括Hourglass[6]、 DeepPose[7]、 OpenPose[8]、HRNet[9]等。諸多研究也將深度學(xué)習(xí)網(wǎng)絡(luò)應(yīng)用于奶牛關(guān)鍵點檢測中,RUSSELLO等[10]使用T-LEAP姿態(tài)估計模型,將LEAP模型修改為時間序列模型,從圖像序列中檢測關(guān)鍵點從而預(yù)估奶牛姿態(tài),試驗結(jié)果表明,在奶牛目標(biāo)上的平均正確關(guān)鍵點的預(yù)估比例(Percentage of correct keypoints,PCK)為93.8%。同時,奶牛關(guān)鍵點檢測是實現(xiàn)體尺測量、動作識別等任務(wù)的基礎(chǔ)[11]。其中,體尺測量用于評估牲畜體型的大小,體尺關(guān)鍵點檢測的準(zhǔn)確度直接影響體尺測量的精度。趙宇亮等[12]為了對豬只的5項體尺指標(biāo)進(jìn)行非接觸式測量,首先在DeepLabCut上選取EfficientNet-b6模型作為最優(yōu)主干網(wǎng)絡(luò)進(jìn)行豬只體尺關(guān)鍵點檢測,其測試集誤差為5.13像素;在此基礎(chǔ)上,通過3D坐標(biāo)轉(zhuǎn)換實現(xiàn)深度圖像上關(guān)鍵點坐標(biāo)的映射,并對離群特征點進(jìn)行優(yōu)化,最后提取體尺曲線進(jìn)行計算。奶牛關(guān)鍵點連接的骨架是姿態(tài)的最直觀表征,奶牛的姿態(tài)數(shù)據(jù)可用于統(tǒng)計其基本運動行為時間。LI等[13]為了準(zhǔn)確識別奶牛的基本運動行為(走、站、躺),利用HRNet提取奶牛骨架信息,在平行的二維卷積特征中以熱圖的形式添加對應(yīng)的奶牛關(guān)鍵點與骨架信息,并選取了400個包含該4種行為的奶牛視頻進(jìn)行訓(xùn)練與測試,結(jié)果表明,經(jīng)過5次交叉驗證,最終分類精度為91.80%。

上述關(guān)鍵點檢測研究大多基于手工提取,難以實際應(yīng)用;或者依賴于DeepLabCut[14]平臺,泛化性不足,且無法解決多目標(biāo)間關(guān)鍵點的連接問題。目前基于深度學(xué)習(xí)的主流算法具備較高的準(zhǔn)確率,但其網(wǎng)絡(luò)復(fù)雜程度也較高。為解決上述問題,本研究借鑒ShuffleNetV2模型的輕量化性能及SimCC所具有的高效簡單的關(guān)鍵點坐標(biāo)分類能力,提出SimCC-ShuffleNetV2輕量化模型,以期構(gòu)建一種實時性強、精度高、魯棒性強的奶牛關(guān)鍵點檢測方法,為奶牛動作識別等研究奠定基礎(chǔ)。

1 材料與方法

1.1 材料

本研究視頻數(shù)據(jù)采集于陜西省楊凌科元克隆有限公司,采用DS-2DM1-714型圓頂攝像機(海康威視)進(jìn)行拍攝,攝像機速率為25 f/s,分辨率為704像素×480像素。如圖1所示,攝像機架設(shè)于背靠牛棚的長走廊外,目標(biāo)與攝像機之間的圍欄遮擋了一些關(guān)鍵點,會對骨架提取任務(wù)造成一定的干擾。

圖1 數(shù)據(jù)采集與標(biāo)注方式Fig.1 Data collection and annotation methods1.鼻子 2.額頭 3.頸根 4.右前腿根 5.左前腿根 6.右前膝 7.左前膝 8.右前蹄 9.左前蹄 10.背部 11.尾根 12.右后腿根 13.左后腿根 14.右后膝 15.左后膝 16.右后蹄 17.左后蹄

如圖1所示,本研究以最大的動物姿態(tài)數(shù)據(jù)集AP-10k為參考[15],設(shè)計了奶牛關(guān)鍵點及骨架結(jié)構(gòu)。從視頻中截取1 800幅圖像用于關(guān)鍵點檢測任務(wù),為了有效模擬奶牛姿態(tài)的變化,采用鏡像翻轉(zhuǎn)的方式擴充數(shù)據(jù)集至3 600幅。標(biāo)注奶牛的邊界框與關(guān)鍵點后將其保存為COCO格式,并按照6∶2∶2的比例分為訓(xùn)練集、驗證集和測試集。

由于奶牛動作及姿態(tài)變化多樣且易受遮擋、光照等因素影響,奶牛關(guān)鍵點檢測的準(zhǔn)確性不高。為了增強模型的魯棒性,采集了不同情況的奶牛圖像:①正面視角:奶牛朝正面攝像頭時,關(guān)節(jié)位置會產(chǎn)生一定的形變。②關(guān)鍵點缺失:奶牛目標(biāo)位于圖像邊緣時,部分關(guān)鍵點會缺失。③躺臥姿態(tài):奶牛在躺臥姿態(tài)下,某些關(guān)節(jié)點會被遮擋。④小目標(biāo):拍攝距離較遠(yuǎn)時會造成奶牛目標(biāo)在圖像中占據(jù)的比例較小。訓(xùn)練集和測試集中均包含了各種影響因素下的奶牛圖像,且在訓(xùn)練集和測試集中的比例基本保持一致。

1.2 試驗平臺

試驗在Windows 10系統(tǒng)下進(jìn)行,處理器為Intel(R) Core(TM) i5-11400F,圖形處理器為Nvidia RTX2080Ti。深度學(xué)習(xí)框架為PyTorch,編程平臺為PyCharm,編程語言為Python,所有算法均在相同環(huán)境下運行。

1.3 總體技術(shù)路線

本研究總體技術(shù)路線如圖2所示,首先將圖像送入SimCC-ShuffleNetV2模型,關(guān)鍵點檢測過程類似于編解碼,ShuffleNetV2用于提取并編碼17個關(guān)鍵點表征。SimCC用于對水平軸和垂直軸執(zhí)行坐標(biāo)分類,最后解碼出關(guān)鍵點坐標(biāo)。為了驗證模型的有效性,將SimCC-ShuffleNetV2應(yīng)用于行為識別任務(wù)。從400段包含4種動作(行走、站立、躺臥、跛行)的視頻中提取出骨架信息,并將骨架序列送入ST-GCN(Spatial temporal graph convolutional networks)[16]網(wǎng)絡(luò)訓(xùn)練,ST-GCN利用時空圖卷積來提取骨架序列間的時空信息,并將時空特征融合起來,最后輸出動作分類結(jié)果。

圖2 總體技術(shù)路線Fig.2 Overview of the proposed method

1.4 ShuffleNetV2網(wǎng)絡(luò)結(jié)構(gòu)

ShuffleNetV2[17]為主干特征提取網(wǎng)絡(luò),結(jié)構(gòu)如圖3所示,其中Conv為卷積操作,DWConv(Depthwise convolution)為深度卷積。

圖3 ShuffleNetV2結(jié)構(gòu)Fig.3 Structure of ShuffleNetV2

分組卷積操作讓不同的卷積核學(xué)習(xí)不同的特征,從而提高模型的表達(dá)能力。左右分支連接后將輸出特征進(jìn)行通道混洗,從而達(dá)到不同通道間信息交換的目的,有利于增加模型的非線性表示能力。上述結(jié)構(gòu)在保持網(wǎng)絡(luò)準(zhǔn)確性的同時,具有更高的計算效率和更小的模型參數(shù),故本研究將其作為主干網(wǎng)絡(luò)。

1.5 SimCC結(jié)構(gòu)

SimCC[18]在網(wǎng)絡(luò)中作為檢測頭,SimCC模塊采用坐標(biāo)分類的思路,將不同坐標(biāo)值劃分為不同類別,從水平與垂直維度將關(guān)鍵點坐標(biāo)進(jìn)行分類,從而實現(xiàn)關(guān)鍵點檢測,其結(jié)構(gòu)如圖4所示。

圖4 SimCC結(jié)構(gòu)Fig.4 Structure of SimCC

在主干網(wǎng)絡(luò)提取特征時,關(guān)鍵點由(n,H′,W′)展平至(n,H′×W′),即輸出n個關(guān)鍵點的一維向量。再通過線性投影將坐標(biāo)編碼為n個SimCC表征,表征后的坐標(biāo)可以通過兩條獨立的一維向量來描述:

p′=(round(xpk),round(ypk))

(1)

式中 round——線性投影

(xp,yp)——表征前的坐標(biāo)

p′——表征后的坐標(biāo)

k——縮放因子

經(jīng)過線性投影后,輸出的特征圖維數(shù)為W×k維和H×k維?？s放因子k(k>1)的作用是使一維向量長度超過圖像邊長,關(guān)鍵點定位精度增強到亞像素級別。在坐標(biāo)解碼過程中,給定的第p個關(guān)鍵點表征輸入至僅一個線性層的水平和垂直坐標(biāo)分類器。需將坐標(biāo)還原到圖像尺度,要將分類的最大概率所在位置除以縮放因子,計算公式為

(2)

(Ox(i),Oy(i))——解碼前的位置坐標(biāo)

argmax——取最大值操作

與直接基于像素點回歸的模型不同,SimCC將定位問題轉(zhuǎn)化為分類問題,可以避免回歸模型存在的訓(xùn)練難度高、容易受到噪聲和異常值影響等問題,具有更高的精度和魯棒性?；跓崃D的關(guān)鍵點檢測方法通過顯式地渲染高斯熱圖,讓模型輸出目標(biāo)概率分布。由于特征提取時需要進(jìn)行多次卷積和下采樣操作,通常導(dǎo)致生成的熱力圖尺寸小于圖像原尺寸,因此將坐標(biāo)映射回原圖時會存在不可避免的量化誤差。而SimCC采用兩個方向上、長度大于原圖像尺寸的一維向量對關(guān)鍵點進(jìn)行表征,坐標(biāo)表征為數(shù)值,精度不受縮放影響,避免了量化誤差。

1.6 關(guān)鍵點檢測評價指標(biāo)

OKS(Object keypoint similarity)[19]是一種用于衡量關(guān)鍵點預(yù)測值與真實值間相似度的度量指標(biāo)。計算OKS時要首先提取關(guān)鍵點預(yù)測值與真實值間的特征向量,然后使用歐氏距離來計算兩個特征向量的相似度,基于這種相似度計算,可以進(jìn)行關(guān)鍵點的匹配和識別。OKSp的計算公式為

(3)

式中OKSp——第p個目標(biāo)的OKS

δ——用于選取可見點的計算函數(shù)

pi——第p個目標(biāo)的第i個關(guān)鍵點

dpi——關(guān)鍵點預(yù)測值與真實值間的歐氏距離

vpi——關(guān)鍵點的可見性

sp——目標(biāo)邊界框的面積

σi——第i個關(guān)鍵點標(biāo)注值和實際值間的標(biāo)準(zhǔn)偏差

模型的準(zhǔn)確度采用平均精度(Average precision,AP)來衡量,AP值越高,說明模型的準(zhǔn)確度越高。OKS類似于目標(biāo)檢測中的交并比(IOU)[20],用于計算關(guān)鍵點檢測的AP。當(dāng)OKS大于給定閾值T時,檢測結(jié)果視為真陽性,精度(Precision,P)指檢測結(jié)果真陽性的比例,召回率(Recall,R)指所有真實標(biāo)注中的關(guān)鍵點被檢測到的比例,然后計算PR曲線與坐標(biāo)軸所圍面積即為AP。其中AP50表示OKS閾值為0.50時的AP,AP50:95表示在OKS閾值從0.50到0.95之間,步長為0.05時的平均AP。

此外,本研究所提出的SimCC-ShuffleNetV2為輕量級模型,因此浮點運算量(Floating point operations, FLOPs)、參數(shù)量(Params)與檢測速度作為重要的輕量化評估指標(biāo)也納入評價。浮點運算量的計算方式是將各層參數(shù)量乘以輸入數(shù)據(jù)的維度,然后對所有層的結(jié)果求和。參數(shù)量表示模型中的參數(shù)數(shù)量,通常用于衡量模型的復(fù)雜度和容量。

2 結(jié)果與分析

2.1 SimCC-ShuffleNetV2訓(xùn)練結(jié)果

本研究中共訓(xùn)練200輪次,網(wǎng)絡(luò)訓(xùn)練過程損失值與AP50的變化曲線如圖5所示。

圖5 訓(xùn)練過程Fig.5 Training process

SimCC-ShuffleNetV2的網(wǎng)絡(luò)參數(shù)空間較小且層數(shù)較低,訓(xùn)練過程中更容易找到全局或局部最優(yōu)解,故曲線收斂較快,當(dāng)?shù)螖?shù)達(dá)到50次左右時,模型學(xué)習(xí)效果已經(jīng)達(dá)到飽和,關(guān)鍵點損失值穩(wěn)定在0.15左右,AP50穩(wěn)定在93%左右。

2.2 關(guān)鍵點檢測效果

SimCC-ShuffleNetV2在測試集上的AP50:95為88.07%,AP50為97.76%,參數(shù)量為1.31×106,浮點運算量為1.5×108,檢測速度為10.87 f/s。不同情況下關(guān)鍵點可視化效果如圖6所示,標(biāo)示出17個關(guān)鍵點并繪制出骨架。奶牛朝向攝像頭位于正面視角時,關(guān)節(jié)位置會產(chǎn)生一定的變化,訓(xùn)練集中此類圖像較少,但檢測效果同樣良好,表明模型的泛化能力較強。奶牛在躺臥姿態(tài)下,有些關(guān)節(jié)點會被遮擋,模型檢測時會預(yù)測被遮擋關(guān)鍵點的位置,雖然結(jié)果有一定偏離,但整體效果依然能準(zhǔn)確反映奶牛姿態(tài)。在遠(yuǎn)距離情況下,此時奶牛目標(biāo)較小,模型依然能準(zhǔn)確標(biāo)示出關(guān)鍵點位置,表明模型對小目標(biāo)同樣敏感。針對上述情況,一般采用尺度變換和多尺度融合技術(shù)來提高模型檢測的準(zhǔn)確性,而SimCC-ShuffleNetV2對正面視角、躺臥姿態(tài)與遠(yuǎn)距離情況下亦能準(zhǔn)確檢測,表明模型具備良好的性能。

圖6 不同情況下的關(guān)鍵點檢測效果Fig.6 Keypoint detection effects in different situations

2.3 關(guān)鍵點誤檢分析

如圖7所示,虛線框所指的缺失關(guān)鍵點被錯誤檢測在非奶牛身體部位。模型檢測效果較差的可能原因在于,本研究中數(shù)據(jù)集中包含的此類圖像較少,模型可能會過擬合,缺失關(guān)鍵點被誤認(rèn)為是圖像中某些類似的局部特征。此外,當(dāng)奶牛關(guān)鍵點缺失時造成的姿態(tài)約束條件、關(guān)節(jié)角度等先驗信息缺失也可能會導(dǎo)致模型誤判。

圖7 關(guān)鍵點誤檢Fig.7 Error detection of keypoint

3 結(jié)果與討論

3.1 不同關(guān)鍵點檢測算法性能比較

為了評估SimCC-ShuffleNetV2模型對奶牛關(guān)鍵點檢測的性能,在相同條件下,分別基于DeepPose、HRNet兩種經(jīng)典關(guān)鍵點檢測算法對同一數(shù)據(jù)集進(jìn)行訓(xùn)練,其中DeepPose為直接基于回歸的模型,HRNet為基于熱力圖的模型。采用AP50:95、浮點運算量、參數(shù)量與檢測速度對訓(xùn)練完成后的模型進(jìn)行評估。3種檢測算法的性能指標(biāo)如表1所示。對比其結(jié)果可知,SimCC-ShuffleNetV2的AP分別比DeepPose和HRNet提高23.65、2.16個百分點。檢測速度比DeepPose減少7.44 f/s,比HRNet提高4.78 f/s。其參數(shù)量分別比DeepPose和HRNet減少2.23×107和2.72×107,浮點運算量分別減少 8.93×109、1.718×1010。DeepPose直接基于回歸方式無需過多后處理且主干網(wǎng)絡(luò)為結(jié)構(gòu)簡單的Alexnet[21],故檢測速度較快。但同時Alexnet的學(xué)習(xí)能力有限,而且直接在圖像像素點中回歸坐標(biāo)較為困難,故精度較低。HRNet能一直保持高分辨率的表征,生成的熱力圖尺寸也為高分辨率,預(yù)測的關(guān)鍵點在空間上更精確。但由于其復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)帶來了巨大計算量從而導(dǎo)致檢測速度較慢。而SimCC-ShuffleNetV2在擁有最高準(zhǔn)確度的同時有較快的檢測速度,實現(xiàn)了精度與速度的良好平衡。

表1 不同關(guān)鍵點檢測算法性能比較Tab.1 Comparison of different keypoint detection models

3.2 不同主干網(wǎng)絡(luò)性能比較

主干網(wǎng)絡(luò)是用于特征提取的主要組件,為了對比不同主干網(wǎng)絡(luò)對模型性能的影響,保持SimCC為檢測頭,分別測試以Res-50[22]、ResNeSt-50[23]、MobileNetV2[24]作為主干網(wǎng)絡(luò)的模型性能。如表2所示,ShuffleNetV2為主干網(wǎng)絡(luò)時的AP分別比Res-50、ResNeSt-50和MobileNetV2提高1.96、3.87、3.16個百分點,檢測速度分別提高5.14、4.19、3.05 f/s;參數(shù)量分別比Res-50、ResNeSt-50和MobileNetV2減少3.54×107、3.74×107、9.8×105,浮點運算量分別少5.36×109、6.63×109、1.60×108。ShuffleNetV2為主干網(wǎng)絡(luò)時,AP最高,浮點運算量與參數(shù)量最小,檢測速度最快,說明ShuffleNetV2能在保持與更大網(wǎng)絡(luò)相同精度的前提下,還能有更小的模型體積和浮點運算量。且對比同為輕量化網(wǎng)絡(luò)的MobileNetV2,同樣有更出色的性能與速度。

表2 不同主干網(wǎng)絡(luò)性能比較Tab.2 Comparison of different backbones

3.3 不同檢測頭性能比較

為了評估不同檢測頭對模型性能的影響,保持ShuffleNetV2為主干網(wǎng)絡(luò),對比測試了以熱力圖為檢測頭的模型。其結(jié)果如表3所示,SimCC作檢測頭時比以熱力圖作為檢測頭時的AP提高2.03個百分點,檢測速度提高3.97 f/s;參數(shù)量減少6.24×106,浮點運算量減少1.22×109。此外,在SimCC檢測頭的浮點運算量為3×106,參數(shù)量為5.6×104,相較于整體模型,其浮點運算量與參數(shù)量可忽略不計。而基于熱力圖的檢測頭的浮點運算量為1.24×109,在整個模型中占比為90.8%;參數(shù)量為6.29×106,在整個模型中占比為83.3%,基于熱力圖的檢測頭占據(jù)了網(wǎng)絡(luò)大部分的浮點運算量與參數(shù)量,導(dǎo)致模型檢測速度較低。

表3 不同檢測頭的性能比較Tab.3 Comparison with Heatmap-based method

如圖8所示,熱力圖表征圖像中每一個關(guān)鍵點的概率分布。熱力圖由圖像進(jìn)行卷積和池化操作得到,需要大量的計算成本和內(nèi)存開銷[25]。SimCC作為檢測頭無需高分辨的熱力圖即可實現(xiàn)良好的檢測效果,將關(guān)鍵點檢測問題轉(zhuǎn)換為分類問題從而降低了計算成本和內(nèi)存開銷,可大幅提高模型的計算速度。

圖8 熱力圖表征Fig.8 Heatmap representation

3.4 基于ST-GCN的奶牛動作識別應(yīng)用

為了驗證SimCC-ShuffleNetV2的有效性,將模型用于奶牛運動視頻中提取出骨架序列,并送入ST-GCN網(wǎng)絡(luò)以實現(xiàn)動作識別。人工篩選了400段視頻作為動作識別的數(shù)據(jù),每段時長約為(10±4)s,如圖9所示,動作行為包含躺臥、站立、行走、跛行(每種動作100段視頻)。

圖9 不同動作行為Fig.9 Different actions

如圖10所示,ST-GCN是基于骨架序列的動作識別方法,其中Attention(Spatial attention)為空間注意力機制,GCN(Graph convolutional network)為圖卷積網(wǎng)絡(luò),TCN(Temporal convolutional network)為時間卷積網(wǎng)絡(luò)。該模型使用圖卷積神經(jīng)網(wǎng)絡(luò)處理骨架視頻序列,然后使用CNN提取特征,最后通過分類器選取具有最高概率的類別。分類準(zhǔn)確率是衡量ST-GCN效果的主要指標(biāo),即正確預(yù)測視頻樣本占視頻樣本總數(shù)的百分比。

圖10 ST-GCN結(jié)構(gòu)Fig.10 Structure of ST-GCN

如圖11所示,動作分類結(jié)果標(biāo)示在視頻左上角,ST-GCN能對不同的動作進(jìn)行有效的區(qū)分。同時SimCC-ShuffleNetV2提取的骨架序列送入訓(xùn)練后,ST-GCN在測試集上的分類準(zhǔn)確率為84.56%。表明SimCC-ShuffleNetV2能良好地表征奶牛的姿態(tài)以供ST-GCN網(wǎng)絡(luò)學(xué)習(xí)。

圖11 動作識別效果Fig.11 Action detection effects

4 結(jié)論

(1)ShuffleNetV2作為輕量化網(wǎng)絡(luò),其特有結(jié)構(gòu)能保持與大模型相當(dāng)精度的同時更加輕量,有利于實現(xiàn)高效的特征提取,更加適合于實際應(yīng)用場景。

(2)SimCC將關(guān)鍵點檢測問題轉(zhuǎn)換為分類問題,從而降低了問題的復(fù)雜度,更加簡單和高效。相較于基于回歸的方式,模型精度更高;相較于基于熱力圖的方式,模型能在保持相當(dāng)精度的情況下更加輕量。

(3)ST-GCN的分類準(zhǔn)確率達(dá)到了84.56%,表明SimCC-ShuffleNetV2是良好的關(guān)鍵點提取器,在動作識別任務(wù)中有良好的應(yīng)用前景。