2021级硕士研究生王凡以第一作者身份在国际学术期刊“International Journal of Machine Learning and Cybernetics” 发表了题为“Semisupervised action recognition withadaptive correlation learning” 的研究论文。其导师徐增敏副教授为通讯作者。
近年来，图卷积网络（GCNs）已用于发掘动作识别样本的局部邻域关系。受此启发，首次提出一种新的基于GCNs的半监督动作识别方法。该方法具有自适应特征相关性，可通过计算其相关性权重来增强局部邻域，并从已标注和未标注的样本中学习全局拓扑结构，以获得最优的邻接样本关系图结构，有效提取高层特征。此外，由于GCNs存在不可避免的冗余计算，因此对近邻图节点特征使用线性变换，聚合相邻节点的深度特征以捕获局部邻域信息，通过消除非线性和折叠连续层之间的权重矩阵，将图卷积模块的多层简化为一层，减轻冗余计算带来的时间复杂度。所提方法仅使用0.15×N的标注样本，在UCF101上实现了与最新前沿方法相当的模型性能。在HMDB51和Something-Something V2上，所提方法只使用了0.20×N的标注样本，分别将识别准确率提高了1.7%和2%。这种线性模型比传统GCNs模型更简单，可提供更强的泛化能力、鲁棒性和计算效率。
该成果发表于中科院SCI三区（JCR Q2, CAAI目录）期刊International Journal of Machine Learning and Cybernetics国际机器学习与控制论杂志-计算机科学领域的理论研究及应用方法，为机器学习和控制论交界处出现的关键研究问题的国际权威刊物，重点是受工程、数学、认知科学和应用等不同学科启发的机器学习和控制论方案混合研发。该刊物由Springer出版，当前影响因子为5.6。
