agcn.md

English | 简体中文

AGCN基于骨骼的行为识别模型

---

内容

• 模型简介
• 数据准备
• 模型训练
• 模型测试
• 模型推理
• 参考论文

模型简介

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.

数据准备

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

模型训练

花样滑冰比赛数据集训练

• 花样滑冰比赛数据集使用单卡训练，启动命令如下:

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。

NTU-RGBD数据集训练

• NTU-RGBD数据集使用4卡训练，启动命令如下:

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。

模型测试

花样滑冰比赛数据集模型测试

• 模型测试的启动命令如下：

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

NTU-RGB+D数据集模型测试

• 模型测试的启动命令如下：

python3.7 main.py --test -c configs/recognition/agcn/agcn_ntucs.yaml -w output/AGCN/AGCN_best.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。

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

模型推理

导出inference模型

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。

• 各参数含义可参考模型推理方法

使用预测引擎推理

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。

参考论文

• 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.