人工智能与大数据学院吴志泽团队在基于骨架数据的人体动作识别研究中取得重要进展，提出了一种结合图卷积网络（GCN）与自注意力机制（Self-Attention）的新方法。相关研究成果以“SelfGCN: Graph Convolution Network With Self-Attention for Skeleton-Based Action Recognition”为题，发表在国际顶级学术期刊《IEEE Transactions on Image Processing》上（DOI: 10.1109/TIP.2024.3433581）。吴志泽教授为论文第一作者，我校全职德籍教授汤卫思（Thomas Weise）为论文通讯作者，合肥大学人工智能与大数据学院为论文第一完成单位。

SelfGCN网络模型架构图

人体动作识别是计算机视觉领域的重要研究方向，在视频分析、手势识别、智能监控和人机交互等应用中具有广泛价值。相比基于视频或图像的方法，骨架数据能够通过人体关键关节的二维或三维坐标来表达人体结构，具有一定的环境适应性和计算效率。然而，如何充分利用骨架数据，准确建模不同关节之间的复杂时空关系，以提升识别精度，仍然是一个值得研究的挑战。

为此，研究团队提出了SelfGCN模型，该方法基于图卷积网络构建人体骨架的拓扑结构，并引入自注意力机制，以自适应地调整关节节点的重要性权重，从而更精准地捕捉动作特征。这一研究工作为基于图结构数据的人体动作识别提供了新的思路，有助于进一步理解和优化人体运动特征的建模方法。

（人工智能与大数据学院 科研处 党委宣传部）