Fall_detection_by_gcn 跌倒检测演示的一些示例： 坠落事件发生后，红色矩形将闪烁。 它在gtx 1060 GPU上以6 fps的速度运行。 往前走 倒退 向左下落 向右下落 安装： 在之后，首先将openpose安装到您的计算机上。 安装 。 将“ / net”和“ Fall_detection_demo.py”复制到$ Openpose_path / python中。 python3 Fall_detection_demo.py来运行演示。

提醒 ST-GCN已转移到 ，并继续开发为基于骨架的人类理解的灵活开放源代码工具箱。 欢迎您迁移到新的MMSkeleton。 旧的st-gcn的自定义网络，数据加载器和检查点与MMSkeleton兼容。 如果要使用旧的ST-GCN，请参阅 。 此代码库很快将不再维护，并且作为历史工件存在，以补充有关以下方面的AAAI论文： 基于骨架的动作识别的时空图卷积网络， 。 如需更多最新作品，请查看MMSkeleton。

GCN讲稿，主要介绍GCN基础知识，介绍如何将非欧数据Graph通过傅里叶变换，变换到频域。同时在频域中引入卷积。文档来自中科院深圳先进院的汇报！

以上使用了GCN, ChebNet, GAT三种图卷积来预测交通流量，只考虑了空间上的影响，没有考虑时序上的影响，所以效果有进一步提升空间。这里只是为了实现基于上述三种图卷积预测交通流量。 可以很明显看出三种模型在处理数据时的快慢和准确率。 三种模型都具有处理结构化时间序列的通用框架。它不仅能够解决交通网络建模和预测问题，而且可以应用于更一般的时空序列学习任务。 时空卷积块结合了图卷积和门控时间卷积，能够提取出最有用的空间特征，并连贯地捕捉到最基本的时间特征。 该模型完全由卷积结构组成，在输入端实现并行化，参数更少，训练速度更 快。更重要的是，这种经济架构允许模型以更高的效率处理大规模网络。

kinetics-skeleton训练集。太大了，拆成十个上传。

行为识别数据集kinetics-skeleton的示例文件，可以了解具体内容格式。训练数据与验证数据格式相同

kinetics-skeleton训练集。太大了，拆成十个上传。

kinetics-skeleton训练集。太大了，拆成十个上传。

2021年CVPR《EVA-GCN: Head Pose Estimation Based on Graph Convolutional Networks》代码

一个对论文DROPEDGE: TOWARDS DEEP GRAPH CONVOLUTIONAL NETWORKS ON NODE CLASSIFICATION（Dropedge：面向节点分类的deepGCN）进行讲解的原创PPT，有21页。