时空图卷积神经网络(st-gcn)

时空图卷积神经网络（Space-Time Graph Convolutional Network，简称ST-GCN）是一种用于处理时空数据的神经网络模型。它主要应用于视频动作识别、姿态估计等任务，能够有效地从连续视频序列中学习时空特征。

ST-GCN的核心思想是将视频序列抽象为时空图结构。在时空图中，每个节点代表一个视频帧，节点之间的边表示它们之间的时序关联关系。通过构建时空图，ST-GCN能够捕捉到视频中相邻帧之间的时序信息。

ST-GCN通过两个关键的操作来处理时空图。首先是图卷积操作，它通过聚合相邻帧的时序信息来更新每个节点的特征表示。这种图卷积操作可以有效地传播并整合时序信息，从而将时空关系编码到节点的特征中。

其次是1D卷积操作，它在每个节点上进行，用于进一步提取节点的时序特征。通过多个1D卷积层的叠加，ST-GCN可以逐渐抽象出更高级别的时序特征。

最后，ST-GCN会将最终的表示传递给分类器进行动作识别或其他任务。分类器可以是全连接层、支持向量机等，用于从抽取的时空特征中预测视频的标签。

总结来说，ST-GCN是一种专门用于处理时空数据的神经网络模型。它通过构建时空图，并通过图卷积和1D卷积操作来抽取视频序列中的时序特征。ST-GCN在视频动作识别等任务中取得了较好的性能，对于时空关联关系的建模具有较强的能力。