代码拉取完成，页面将自动刷新
同步操作将从 PaddlePaddle/PaddleVideo 强制同步，此操作会覆盖自 Fork 仓库以来所做的任何修改，且无法恢复！！！
确定后同步将在后台操作，完成时将刷新页面，请耐心等待。
English | 简体中文
我们对ST-GCN模型进行了优化，实现了精度更高的AGCN模型，模型优化细节参考AGCN模型解析.
花样滑冰比赛数据下载及准备请参考花样滑冰数据准备
NTU-RGBD数据下载及准备请参考NTU-RGBD数据准备
python3.7 main.py -c configs/recognition/agcn/agcn_fsd.yaml
由于赛事未提供验证集数据，因此训练时不做valid。
您可以自定义修改参数配置，以达到在不同的数据集上进行训练/测试的目的，参数用法请参考config。
python3.7 -B -m paddle.distributed.launch --gpus="0,1,2,3" --log_dir=log_agcn main.py --validate -c configs/recognition/agcn/agcn_ntucs.yaml
agcn_ntucs.yaml配置文件为NTU-RGB+D数据集按cross-subject划分方式对应的训练配置。python3.7 main.py --test -c configs/recognition/agcn/agcn_fsd.yaml -w output/AGCN/AGCN_epoch_00100.pdparams
通过-c参数指定配置文件，通过-w指定权重存放路径进行模型测试。
评估结果保存在submission.csv文件中，可在评测官网提交查看得分。
模型在花样滑冰比赛数据集上baseline实验精度如下:
| Test_Data | Top-1 | checkpoints |
|---|---|---|
| Test_A | 62.29 | AGCN_fsd.pdparams |
python3.7 main.py --test -c configs/recognition/agcn/agcn_ntucs.yaml -w output/AGCN/AGCN_best.pdparams
-c参数指定配置文件，通过-w指定权重存放路径进行模型测试。模型在NTU-RGB+D数据集上实验精度如下:
| split | Top-1 | checkpoints |
|---|---|---|
| cross-subject | 83.27 | AGCN_ntucs.pdparams |
python3.7 tools/export_model.py -c configs/recognition/agcn/agcn_fsd.yaml \
-p data/AGCN_fsd.pdparams \
-o inference/AGCN
上述命令将生成预测所需的模型结构文件AGCN.pdmodel和模型权重文件AGCN.pdiparams。
python3.7 tools/predict.py --input_file data/fsd10/example_skeleton.npy \
--config configs/recognition/agcn/agcn_fsd.yaml \
--model_file inference/AGCN/AGCN.pdmodel \
--params_file inference/AGCN/AGCN.pdiparams \
--use_gpu=True \
--use_tensorrt=False
输出示例如下:
Current video file: data/fsd10/example_skeleton.npy
top-1 class: 27
top-1 score: 0.8965644240379333
可以看到，使用在FSD上训练好的AGCN模型对data/example_skeleton.npy进行预测，输出的top1类别id为27，置信度为0.89。
Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition, Sijie Yan, Yuanjun Xiong, Dahua Lin
Two-Stream Adaptive Graph Convolutional Networks for Skeleton-Based Action Recognition, Lei Shi, Yifan Zhang, Jian Cheng, Hanqing Lu
Skeleton-Based Action Recognition with Multi-Stream Adaptive Graph Convolutional Networks, Lei Shi, Yifan Zhang, Jian Cheng, Hanqing Lu
Many thanks to li7819559 and ZhaoJingjing713 for contributing the code.
此处可能存在不合适展示的内容，页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容，可点击提交进行申诉，我们将尽快为您处理。