百度论文复现赛第六期第75题 2s-AGCN的paddle实现-人工智能-PHP中文网

百度论文复现赛第六期第75题 2s-AGCN的paddle实现

P粉084495128

发布： 2025-07-30 10:14:12

原创

260人浏览过

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☜☜☜

百度论文复现赛第六期第75题 2s-agcn的paddle实现 - php中文网

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

百度文心百中
百度大模型语义搜索体验中心

22

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

登录后复制

In [ ]

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

登录后复制

In [ ]

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

登录后复制

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

登录后复制

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

登录后复制

In [ ]

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

登录后复制

In [ ]

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

登录后复制

In [ ]

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

登录后复制

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

登录后复制

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

登录后复制

In [ ]

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

登录后复制

In [ ]

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

登录后复制

In [ ]

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

登录后复制

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 --save_dir ./output --model_path runs/ntu_cv_agcn_joint-38-22932.pdparams --batch 10

登录后复制

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

登录后复制

Successfully generate tiny dataset

登录后复制

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

登录后复制

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'

登录后复制

Successfully generate tiny dataset

登录后复制

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'

登录后复制

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php中文网其它相关文章！