EfficientGCN-v2

介绍

在EfficientGCNv1的基础上引入了时间语义信息和节点语义信息的升级版，我们叫做EfficientGCN-v2。

软件架构

软件架构说明

训练命令

生成最后结果文件。 ./submission.sh
训练模型。./train.sh
stack boosting10折模型的结果,训练弱分类器。 ./stack-boosting.sh

单个模型框架

框架内各个子模块

解题思路

这里是列表文本数据处理：去除骨架数据中的无效帧（值等于0的帧）。
数据分析：难点有以下三点：
1. 类别不均衡，部分样本过少。
2. 不同类别的样本有重复的片段。
3. 部分样本时间长。
模型建立：
1. 模型选择，对比SOTA模型，我们对比实验了MS-G3D,CTR-GCN和EfficientGCN-v1模型，相比前两种对关节点和骨骼边后期的融合，我们选择了性能更优的EfficientGCN-v1作为我们的基础结构。
2. 针对难点的改进(创新点)。
2.1 引入Focal loss 损失函数，缓解类别不均衡现象。
2.2 受SGN网络的启发，我们引入时间语义信息和节点语义信息，构建了新的子模块-GCN-block 和 TCN-block(如上图所示)。引入两种语义信息，使网络理解关节点的空间位置和时间顺序。
2.3 针对样本时间长的现象，我们采用分段下采样的方式来解决样本时间长，训练速度慢的现象。
2.4 尝试更换了EfficientGCN-v1的主网络结构。
2.4 尝试加入角度流分支，最后B榜测试时未使用。
所用Trick：
1. 去中心化，所有节点减掉中心节点的值。
2. K折交叉验证，将训练集划分成10折进行交叉验证。
3. warm-up。

最终融合模型介绍

第K折	模型文件	创新点	准确率
第0折	net/4BranchNetEff	各个branch网络修改为SGN	-
第1折	net/4BranchNet_with_tem2	在efficent_gcn基础上加入时间信息和节点信息	-
第2折	net/efficent_gcn_with_joint_v3	在efficent_gcn基础上加入节点信息	-
第3折	net/4BranchNet_with_tem2	在efficent_gcn基础上加入时间信息和节点信息	-
第4折	net/4BranchNet_with_tem2	在efficent_gcn基础上加入时间信息和节点信息	-
第5折	net/efficent_gcn_with_joint_v2	在efficent_gcn基础上加入节点信息	-
第6折	net/4BranchNetEff	各个branch网络修改为SGN	-
第7折	net/efficent_gcn_with_joint_v2_with_tem2	在efficent_gcn基础上加入时间信息和节点信息	-
第8折	net/efficent_gcn_with_joint_v2_with_tem2	在efficent_gcn基础上加入时间信息和节点信息	-
第9折	net/efficent_gcn_with_joint_v2_with_tem2	在efficent_gcn基础上加入时间信息和节点信息	-
-	-	-	B榜准确率65.45741325

项目文件介绍

net 存放Model 文件
efficentgcn 存放子模块文件
configs 存放配置文件
utils 存放模型保存读取记录文件
final_test_B 存放B榜最终模型与结果文件
data1 存放离线处理后的.npy数据文件
feeder 存放DataLoder数据读取和预处理文件
checkpoint 存放训练模型和日志文件
figs 存放模型示意图

使用的baseline模型的github地址

https://github.com/yfsong0709/EfficientGCNv1 https://github.com/microsoft/SGN