百度论文复现赛第六期第75题 2s-AGCN的paddle实现

这是2s-AGCN的Paddle非官方实现，基于CVPR2019论文，改进自ST-GCN，采用双流自适应卷积网络融合骨架节点与骨骼信息。复现了NTU-RGBD数据集上的精度，包含XSub、XView的训练、测试及双流融合，还涉及静态模型导出、推理及TIPC测试等内容。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

2s-AGCN Paddle实现

1 简介

This is the unofficial code based on PaddlePaddle of CVPR 2019 paper:

Two-Stream Adaptive Graph Convolutional Networks for Skeleton-Based Action Recognition

2s-AGCN是发表在CVPR2019上的一篇针对ST-GCN进行改进的文章，文章提出双流自适应卷积网络，针对原始ST-GCN的缺点进行了改进。在现有的基于GCN的方法中，图的拓扑是手动设置的，并且固定在所有图层和输入样本上。另外，骨骼数据的二阶信息（骨骼的长度和方向）对于动作识别自然是更有益和更具区分性的，在当时方法中很少进行研究。因此，文章主要提出一个基于骨架节点和骨骼两种信息融合的双流网络，并在图卷积中的邻接矩阵加入自适应矩阵，大幅提升骨骼动作识别的准确率，也为后续的工作奠定了基础（后续的骨骼动作识别基本都是基于多流的网络框架）。

论文地址：2s-AGCN Paper

原论文代码地址：2s-AGCN Code

2 复现精度

在NTU-RGBD数据集上的测试效果如下

Openflow

一键极速绘图，赋能行业工作流

88 查看详情

	CS	CV
Js-AGCN(joint)	85.8%	94.13%
Bs-AGCN(bone)	86.7%	93.9%
2s-AGCN	88.5%	95.4%

在NTU-RGBD上达到验收标准：X-Sub=88.5%, X-View=95.1%

训练日志：日志

VisualDL可视化日志：VDL

模型权重：model_weights

3 数据集解压

In [ ]

# 解压xsub!unzip data/data139161/xsub.zip

    In [ ]

# 解压xview!unzip data/data139161/xview.zip

    In [ ]

# 生成xsub骨头数据!python work/2s_AGCN/data_gen/gen_bone_data.py

   

4 XSub部分

In [ ]

# xsub joint训练(时间较长,可跳过,训练好的模型已经放在Stdio中,可直接运行后面的测试)!python work/2s_AGCN/main.py --config work/2s_AGCN/config/nturgbd-cross-subject/train_joint.yaml

    In [ ]

# xsub bone训练(时间较长,可跳过,训练好的模型已经放在Stdio中,可直接运行后面的测试)!python work/2s_AGCN/main.py --config work/2s_AGCN/config/nturgbd-cross-subject/train_bone.yaml

    In [ ]

# xsub joint测试!python work/2s_AGCN/main.py --config work/2s_AGCN/config/nturgbd-cross-subject/test_joint.yaml

    In [ ]

# xsub bone测试!python work/2s_AGCN/main.py --config work/2s_AGCN/config/nturgbd-cross-subject/test_bone.yaml

    In [ ]

# xsub双流融合!python work/2s_AGCN/ensemble.py --datasets xsub

   

5 XView部分

In [ ]

# xview joint训练(时间较长,可跳过,训练好的模型已经放在Stdio中,可直接运行后面的测试)!python work/2s_AGCN/main.py --config work/2s_AGCN/config/nturgbd-cross-view/train_joint.yaml

    In [ ]

# xview bone训练(时间较长,可跳过,训练好的模型已经放在Stdio中,可直接运行后面的测试)!python work/2s_AGCN/main.py --config work/2s_AGCN/config/nturgbd-cross-view/train_bone.yaml

    In [ ]

# xview joint测试!python work/2s_AGCN/main.py --config work/2s_AGCN/config/nturgbd-cross-view/test_joint.yaml

    In [ ]

# xview bone测试!python work/2s_AGCN/main.py --config work/2s_AGCN/config/nturgbd-cross-view/test_bone.yaml

    In [ ]

# xview双流融合!python work/2s_AGCN/ensemble.py --datasets xview

   

6 静态模型导出与推理部分（以xview-joint为例）

In [ ]

# 静态模型导出!python work/2s_AGCN/export_model.py --s*e_dir ./output --model_path runs/ntu_cv_agcn_joint-38-22932.pdparams --batch 10

    In [14]

# 生成小数据集!python work/2s_AGCN/data_gen/gen_infer_sample_data.py --dataset 'xview' --mode 'joint' --data-num 50

       

Successfully generate tiny dataset

        In [ ]

# 模型静态推理# 这里需要安装autolog# 终端运行下列命令# git clone https://github.com/LDOUBLEV/AutoLog# cd AutoLog/# pip3 install -r requirements.txt# python3 setup.py bdist_wheel# pip3 install ./dist/auto_log-1.2.0-py3-none-any.whl!python work/2s_AGCN/infer.py --data_file xview/tiny_infer_data.npy --label_file xview/tiny_infer_label.pkl --model_file ./output/model.pdmodel --params_file ./output/model.pdiparams

   

7 TIPC

In [24]

# 准备小数据集!bash work/2s_AGCN/test_tipc/prepare.sh work/2s_AGCN/test_tipc/configs/2s-AGCN/train_infer_python.txt 'lite_train_lite_infer'

       

Successfully generate tiny dataset

        In [ ]

# 进行tipc  # 生成日志见output文件夹!bash work/2s_AGCN/test_tipc/test_train_inference_python.sh work/2s_AGCN/test_tipc/configs/2s-AGCN/train_infer_python.txt 'lite_train_lite_infer'

   

以上就是百度论文复现赛第六期第75题 2s-AGCN的paddle实现的详细内容，更多请关注其它相关文章！

# 自适应  # seo专员全称  # 安阳外贸企业网站推广  # 高安网站推广优化  # 小海鲜开业营销推广方案  # 龙华网站营销推广服务商  # 民权网站seo排名  # 邯郸网站优化推广有哪些  # 江门鹤山口碑营销推广  # 托管班营销推广策略方案  # 搜索引擎营销的推广手段  # 官网  # 第六期  # 中文网  # python  # 跳过  # 较长  # 一言  # 可直接  # 放在  # 双流  # fig  # whee  # igs  # 百度  # ai  # git 

相关栏目： 【 行业新闻62819 】 【 科技资讯67470 】

相关推荐： 数据科学，解码智能未来——Altair首次提出“Frictionless AI”概念  梦想实现！硬核科幻大片VR智能头盔即将问世  参议院司法听证会：AI 不易管控，有可能被恶意分子利用来研发生化武器  AI在教育中的角色：AI如何改变我们的学习方式  赋能金融新生态，多家银行创新应用成果亮相世界人工智能大会  AI 模型 Stable Diffusion 升级：正常生成五指、图像更逼真  国内首款大尺寸仿鸵双足机器人“大圣”亮相，穿戴红色战袍  微软更新服务协议，以防止通过AI服务进行逆向工程和数据抓取  人形机器人打开精密齿轮市场全新空间！受益上市公司梳理  Vision Pro头显重磅发布；苹果收购AR厂商Mira  2025 世界人工智能大会闭幕，32 个重大产业签约总额达 288 亿元  换流站无线物联网络为新型电力系统铺设“数字之路”  华为联合合作伙伴 共同发布昇腾AI大模型训推一体化解决方案  美图第二届影像节发布七款AI影像创作工具  生成式AI与云结合，机遇与挑战并存  煤电“三改联动”需多措联动  懒人必备的家居清洁好物，石头自清洁扫拖机器人G20  MiracleVision视觉大模型  软通动力多项AI创新产品及应用亮相2025世界人工智能大会  【机智云物联网低功耗转接板】远程环境数据采集探索  对艺术家拒绝置若罔闻，Stability AI 将推出适应多种画风的开源模型  加强高质量数据供应能力，促进通用人工智能大模型领域的创新  Goodnotes 6推出，带来多项全新AI功能，让电子笔记更智能  AI遇上大运丨热身拉伸、娱乐K歌……AI智能健身镜将亮相成都大运会  航拍无人机怎么选？大疆无人机盘点推荐  “上海市民营企业人工智能赋能创新中心”揭牌成立  脑虎科技：奔跑在“脑机接口”最前沿 跨界融合取得阶段性成果  WHEE上线时间介绍  鉴智机器人发布基于地平线征程5的标准视觉感知产品  华为云天筹AI求解器荣获世界人工智能大会最高奖  支持跨语言、人声狗吠互换，仅利用最近邻的简单语音转换模型有多神奇  【搞事】时隔4年 谷歌更新安卓logo 机器人头更饱满了  人工智能如何与智能家居集成  如何提高集群协作效率？中外团队合作研发基于均值偏移的机器人队形控制策略  苹果头显降临，AI虚拟人的救星还是流星？  OpenOOD更新v1.5：全面、精确的分布外检测代码库及测试平台，支持在线排行榜、一键测试  全新升级的广州麦当劳：面积最大餐厅正式引入智慧机器人  世界人工智能大会中西部县域数字就业中心组团亮相  中国气象局预测：到 2030 年，中国人工智能气象应用将达到国际领先水平  7条线路感受智慧美好生活，“2025 世界人工智能大会民营企业社会开放日”主题活动启动  全场景智能车：智能无处不在｜芯驰亮相世界人工智能大会  AIGC 风潮刮到游戏产业，巨人网络与阿里云达成“游戏 +AI ”合作  美图公司：Wink国内首发AI画面拓展功能  特斯拉人形机器人将亮相 预计售价不超过15万元  十个AI算法常用库J*a版  会模仿笔迹的AI，为你创造专属字体  机智云AI离线语音识别模组，让家电变得更加智能便捷  这效果能打几分？AI真人化《名侦探柯南》  喜马拉雅在国际会议挑战赛中突破语音重叠难题斩获第一 加速AI创新  利用AI探索抗体“钥匙”、加速药物研发——访百图生科团队