基于全局时空注意力机制和PCA＿3DNet的动作识别方法

针对基于3D卷积神经网络的动作识别方法存在参数量过大、无法捕捉时空特征的全局依赖关系等问题，提出了一种基于全局时空注意力机制(Global spatiotemporal attention mechanism, GSTAM)和PCA＿3DNet的动作识别方法。该方法引入伪3D卷积结构减少网络参数，在伪3D卷积结构中嵌入通道注意力机制(Channel attention mechanism, CAM)来增强通道特征，并采用全局时空注意力机制来捕捉特征信息的全局依赖关系，加强时空特征的表征能力，从而提高动作识别的准确率。该方法在两个公开数据集UCF101和HMDB51上的识别准确率分别为93.5%和70.5%,模型参数量为13.46 Mi,浮点运算量为8.73 Gi;在准确率、参数量和计算量上的综合表现优于现有的传统方法和深度学习方法。实验结果表明该方法能够获取丰富的时空特征信息，有效提升动作识别的性能。