摘要

基于骨骼数据的人体动作识别在图卷积网络（Graph Convolutional Network, GCN）的推动下受到广泛关注，因其在建模非欧几里得结构数据方面展现出强大的能力。然而，现有大多数GCN方法采用预定义的图结构并在整个网络中固定不变，导致无法充分捕捉关节之间的隐含关联。此外，主流的谱图卷积网络（spectral GCN）通常通过一阶近似进行实现，因而高阶连接关系未能得到有效建模。因此，亟需探索更优的GCN架构以克服上述局限。为解决这些问题，本文引入神经架构搜索（Neural Architecture Search, NAS）技术，提出首个面向骨骼动作识别的自动设计GCN架构。具体而言，我们通过充分挖掘节点间时空相关性，构建了多个动态图模块，从而显著丰富了搜索空间。同时，引入多跳（multiple-hop）模块，旨在突破因一阶近似带来的表征能力瓶颈。此外，设计了一种采样与内存高效的进化搜索策略，以高效地搜索适用于该任务的最优网络结构。所获得的最终架构验证了高阶近似与融合时间交互的动态图建模机制的有效性，这一方向在以往研究中几乎未被充分探讨。为评估所搜索模型的性能，我们在两个大规模数据集上开展了广泛的实验，结果表明，所提模型在多个指标上均达到了当前最优水平，显著超越了现有方法，充分证明了其先进性与实用性。