论文笔记-Skeleton-Based Action Recognition with Shift Graph Convolutional Network

转眼来到了论文阅读计划的第七天啦～（存货也日益耗尽啦

大家如果有看到不错的论文，也推荐我来看看～嘻嘻嘻别人都是剧荒、小说荒，我们一起论文荒哈哈哈哈哈

平时我主要是根据自己的论文需求来看论文，所以覆盖面相对就比较狭窄，所以欢迎大家来扩充我的认知库！！！

今天介绍一篇在提升准确率的同时，大大优化性能、效率的一篇论文。

一、题目关键词解读

shift: 转换、移位

二、研究背景

本文也是基于ST-GCN这篇论文来改进的，之前绝大多数论文都在疯狂提升NTU数据集的准确率，极少有人关注效率这块。目前准确率已经很难再继续提升啦，所以大家又开始关注怎么让模型变得没那么复杂，提升下效率。

三、研究目标 & 内容

目标：改进卷积的方式，能够大幅度提升效率，减少参数、降低模型计算复杂度。

内容：结合CNN中的shift结构，首次将其引入到GCN中，同时在时序TCN上进行CNN的shift操作，大大的减少了模型参数和计算复杂度。

四、方法

Shift 操作在CNN和GCN中的表现：

原身体物理结构的图 & 非局部连接的骨架图，做Shift转换的方式变换：

设计的Shift-Conv-Shift的结构：

五、总结

本文的这个Shift操作还是挺有借鉴价值的，不过现在有了更新的Shift操作，大家也可以试试怎么把新的CNN上的Shift操作引入到GCN中～

现在在做自己的论文，时间有点紧，有些论文理解的细节就没有详细写出来，有问题可以在评论区写出来～