CTR-GCN和HD-GCN均在2s-AGCN上进行改进，其基本网络架构保持不变

论文： https://openaccess.thecvf.com/content/ICCV2021/html/Chen_Channel-Wise_Topology_Refinement_Graph_Convolution_for_Skeleton-Based_Action_Recognition_ICCV_2021_paper.html 代码： https://github.com/Uason-Chen/CTR-GCN 时间：2021

所有的输入骨骼序列共享相同的图拓扑结构 此前骨骼动作识别大部分方法用的都是共享拓扑，但其具有一些未由骨骼连接关节点之间的关系信息可能损失的问题

每个输入骨骼序列可以有不同的图拓扑结构

ps. 该模型中，由于通道特定相关性处为非共享拓扑图，其与共享拓扑图结合，得到的通道细化拓扑实质属于非共享拓扑

与2s-AGCN网络结构基本相同

在CTR-GCN基本块中，特征向量分别先后经过空间建模模块和时间建模模块。

该模块首先通过深度可分离卷积分成三个支路处理特征向量，其相较直接进行更加轻量化。其中CTR-GC表示通道拓扑细化图卷积，具体见后文。

该模块包含四个分支，每个分支包含一个1 × 1卷积以减少通道维数。前三个分支包含两个具有不同扩张率的时间卷积和一个MaxPool，最后一个分支为一个独立的1 × 1卷积。四个分支的结果最终通过直接连接结合。

特征向量首先分别进行通道拓扑建模模块和特征转化模块，然后在通道融合模块通过先相乘后拼接的方式综合二者结果。 此图为之前图示的另外一种表达方式，二者具体内容相同

论文提出的通道拓扑细化图在Shared Topology（共享拓扑）的基础上，结合Channel-Specific Correlations（通道特定相关性），构成Channel-wise Topologies（通道细化拓扑），避免了对每个通道的拓扑进行独立建模。

图中不同颜色线条对应不同通道中的拓扑结构，线条粗细表示节点的关联强度。

论文： https://openaccess.thecvf.com/content/ICCV2023/html/Lee_Hierarchically_Decomposed_Graph_Convolutional_Networks_for_Skeleton-Based_Action_Recognition_ICCV_2023_paper.html 代码： https://github.com/Jho-Yonsei/HD-GCN 时间：2023

（1）提出一个层次分解图（HD-Graph），以体现相同层次节点集内遥远节点之间的关系； （2）提出一个注意力引导层次聚合模块（A-HA），以突出具有代表性的边集； （3）提出一种六向集成方法，用于具有不同质心（CoM）的层次分解图

输入骨架通过层次分解图（HD-Graph）应用于几个边集（Set1, Set2, …）。红线为包含在相应层次边集中的边，虚线表示骨骼中未连接的边。上方方框通过注意力机制处理得到下方方框，其中红线的颜色越深，表示该边集越重要，即越能通过该边集反映这个动作。

将人体骨架表示为有根树，再按语义将骨骼划分至四个集合中，同一语义空间中的节点（如肘关节和膝关节，或手和脚）必须存在于相同层次节点集中。其中有根树的根节点为选取的质心节点，即包括胸部、腹部、臀部三种

A为有向邻接矩阵，包含NL个层次层，NH个层次边缘集，且 NL = NH -1。Hk表示第k个层次节点集合。Ek表示 S = {Sid, Scp, Scf} 的三个边子集的级联，其中Sid、Scp、Scf分别表示同心、向心、离心边子集。通过该构造策略，作者创建了一个具有双向和相等边的骨架图

对于Kinetics-Skeleton数据集，作者对其骨架结构进行了修改。原始数据集包含18个节点，未使用质心的腹部和臀部节点 故作者设置左髋关节节点和右髋关节节点的中点为臀部节点，胸部和臀部节点的中点为腹部节点，得到含20个节点的骨架结构

通过连接相邻层次边集合中的所有节点，得到同一语义空间中所有节点之间的边（非同一语义空间内节点两两相互连接）

为了识别远距离关节节点（尤其是同一语义空间中远距离关节节点）之间的关系，作者将相邻层次节点集之间所有节点连接

层次分解图卷积包括四个并行的分支操作，其中包括三个图卷积和一个额外的边卷积。为降低复杂度，对四个操作均用线性变换

虽然作者提出的层次分解图定义了比传统图更有意义的节点关系，但仍然无法提取反映特征空间中所有节点之间相似性的样本关系，故引入边卷积

基于欧氏距离的k-最近邻（k-NN）构造具有局部边的图，并通过可训练参数Wedge对局部边和单位边进行聚合

HD-GCN接收骨架序列作为输入，并通过9个GCN块、FC层和softmax函数获得类别标签

现有集成方法多采用关节流、骨骼流、关节运动流、骨骼运动流这四流数据，分别由原始骨骼坐标、关节不同坐标间空间差分、关节不同时刻间时间差分、骨骼不同时刻间时间差分表示。然而模型仅利用运动数据，性能较差。因而作者提出了一种六向集成方法，替代传统的四向集成方法。

作者使用三种不同的层次分解图，每个图都用于关节和骨骼流的训练（舍弃了关节运动流和骨骼运动流）。三个层次分解图具有不同的质心节点，分别是胸部、腹部、臀部节点。由于具有三种不同图的模型应在不同方面进行训练，因此每个图由不同的边集组成。如果质心节点是腹部，则两条大腿边和两条上臂边都包含在同一个边集中，而当质心节点是胸部时，两条大腿边和两条前臂边都包含在同一个边集中

“六向集成” 中 “六向” 具体包括：

注意力引导层次聚合（A-HA）由注意力引导，由代表性空间平均池（RSAP）和层次边卷积（H-EdgeConv）两个子模块组成。通过RSAP和H-EdgeConv，模型成功确定在输入特征中应该强调哪些层次边缘集和关节

如果直接使用空间平均池化而没有任何节点提取过程，由于每个节点具有不同相邻节点数，会出现放缩偏差问题 –> RSAP在池化层之后，通过代表性节点提取表示特征

（用于管理通过RSAP获得的分层特征） 将每个分层特征视为一个图节点，并通过特征空间中的欧氏距离来识别应突出显示的分层特征