Ske2Grid：用于动作识别的骨架到网格表示学习

基于摘要分析。Ske2Grid 研究基于人体骨架的动作识别，将骨架图转换为紧凑、类似图像的可学习网格表示，从而在该表示上使用规则卷积；其主要贡献是联合设计节点到网格的映射、节点插值与渐进式学习机制。 具体而言，graph-node index transform（GIT）将骨架图节点逐一分配到目标网格单元；可学习的 up-sampling transform（UPT）通过插值补充节点，以填满网格，并支持 GIT 的双射关系及更丰富的表示。针对单步 UPT 扩展幅度过大的问题，progressive learning strategy（PLS）将 UPT 拆分为多个步骤，通过紧凑级联设计与多个配对 GIT 对齐并逐步学习，以利用更大空间尺寸的网格表示。摘要未提供具体映射优化方式、插值公式、损失函数或训练细节。 作者在现有图卷积网络基础上构建网络，并在六个主流骨架动作识别数据集的不同基准设置下开展实验；作者报告 Ske2Grid 优于现有 GCN 方案。摘要未列出数据集名称、划分协议、评价指标、具体分数及统计检验，不能据此量化提升或判断不同设置之间的可比性。实验协议、消融及统计信息尚未验证。摘要提供了代码与模型的公开仓库地址，但其可运行性和复现条件尚未核对。 平台推测（待验证）：可检验的迁移假设是，将 EEG 电极图映射为可学习网格，可能为规则卷积提供不同于固定头皮投影的输入表示。可复用的是节点映射、插值和渐进扩展思路；需改造的是电极空间约束、时间维处理及跨被试通道对应。原方法依赖骨架节点及图结构，而 EEG 的低信噪比、容积传导、通道缺失和小样本可能使插值放大冗余或使映射过拟合。一个小规模检验是在同一 EEG 数据集、相同跨被试划分和训练预算下，比较固定网格与可学习网格，并加入无 UPT 对照，检查收益是否稳定。此为迁移假设，不是原论文验证结果；相关 EEG 工作尚未检索确认。