基于图注意力机制的三维人体姿态估计时空上下文网络

doi:10.11772/j.issn.1001-9081.2024101489

《计算机应用》唯一官方网站 ›› 2025, Vol. 45 ›› Issue (10): 3161-3169.DOI: 10.11772/j.issn.1001-9081.2024101489

• 人工智能 • 上一篇

基于图注意力机制的三维人体姿态估计时空上下文网络

曾正东, 赵明()

上海海事大学信息工程学院，上海 201306

收稿日期:2024-10-30 修回日期:2025-01-11 接受日期:2025-01-16 发布日期:2025-02-07 出版日期:2025-10-10
通讯作者: 赵明
作者简介:曾正东（1999—），男，广东中山人，硕士研究生，CCF会员，主要研究方向：人体姿态估计、计算机视觉、目标检测
赵明（1984—），女，湖北孝感人，教授，博士，主要研究方向：遥感影像采集与处理、计算机视觉、模式识别。 Email:zm_cynthia@163.com
基金资助:
国家自然科学基金资助项目(62271302)

Spatio-temporal context network for 3D human pose estimation based on graph attention

Zhengdong ZENG, Ming ZHAO()

College of Information Engineering，Shanghai Maritime University，Shanghai 201306，China

Received:2024-10-30 Revised:2025-01-11 Accepted:2025-01-16 Online:2025-02-07 Published:2025-10-10
Contact: Ming ZHAO
About author:ZENG Zhengdong， born in 1999， M. S. candidate. His research interests include human pose estimation， computer vision， object detection.
ZHAO Ming， born in 1984， Ph. D.， professor. Her research interests include remote sensing image acquisition and processing， computer vision， pattern recognition.
Supported by:
National Natural Science Foundation of China(62271302)

摘要/Abstract

摘要：

近期关于人体姿态估计的研究表明，充分发挥二维姿态潜在空间信息的能力，获取具有代表性的特征，可产生更准确的三维姿态估计结果。因此，提出一种基于图注意力机制的时空上下文网络，该网络包括带滑动窗口的时间上下文网络（TCN）、由肢体引导的全局图注意力机制网络（EGAT）和基于姿态语法的局部图注意力卷积网络（PGCN）。首先，使用STCN将长序列的二维关节位置转化为单序列的人体姿态潜在特征，从而有效聚合和利用远、近距离的人体姿态信息，并大幅降低计算成本。其次，提出EGAT模块，以有效计算全局空间上下文。该模块将人体边缘节点视为“交通枢纽”，为它们与其他节点之间的信息交换建立桥梁。再次，利用图注意力机制进行自适应权值分配，对人体关节进行全局上下文计算。最后，设计PGCN模块，利用图卷积网络（GCN）计算和建模局部空间上下文，它强调人体对称节点的运动一致性和人体骨骼的运动关联结构。在Human3.6M和HumanEva-Ⅰ这2个复杂的标准数据集上评估所提模型。实验结果表明，所提模型具有更优越的性能，在输入帧长度为81的情况下，所提模型在数据集Human3.6M上的每个关节的平均位置误差（MPJPE）达43.5 mm，与目前先进算法MCFNet（Multi-scale Cross Fusion Network）相比降低了10.5%，体现出更高的准确度。

关键词: 三维人体姿态估计, 图注意力, 时间上下文, 空间上下文, 时间卷积网络

Abstract:

According to recent research on human pose estimation， making full use of potential 2D pose space information to acquire representative characteristics can produce more accurate 3D pose results. Therefore， a spatio-temporal context network based on graph attention mechanism was proposed， which includes Temporal Context Network with Shifted windows （STCN）， Extremity-Guided global graph ATtention mechanism network （EGAT）， and Pose Grammar-based local graph attention Convolution Network （PGCN）. Firstly， STCN was used to transform the 2D joint position in long sequence into potential features of human pose in single sequence， which aggregated and utilized the long-range and short-range human pose information effectively， and reduce the computational cost significantly. Secondly， EGAT was presented for computing global spatial context effectively， so that human extremities were treated as “traffic hubs”， and bridges were established for information exchange between them and other nodes. Thirdly， graph attention mechanism was utilized for adaptive weight assignment to perform global context computation on human joints. Finally， PGCN was designed to utilize Graph Convolution Network （GCN） for computing and modeling local spatial context， thereby emphasizing the motion consistency of symmetrical nodes of human and the motion correlation structure of human bones. Evaluations of the proposed model were conducted on the two complex benchmark datasets： Human3.6M and HumanEva-Ⅰ. Experimental results demonstrate that the proposed model has superior performance. Specifically， when the input frame length is 81， the proposed model achieves a Mean Per Joint Position Error （MPJPE） of 43.5 mm on the Human3.6M dataset， which represents a 10.5% reduction compared to that of the state-of-the-art algorithm MCFNet （Multi-scale Cross Fusion Network）， showcasing higher accuracy.

Key words: 3D human pose estimation, graph attention, temporal context, spatial context, Temporal Convolution Network (TCN)

中图分类号:

TP183

曾正东, 赵明. 基于图注意力机制的三维人体姿态估计时空上下文网络[J]. 计算机应用, 2025, 45(10): 3161-3169.

Zhengdong ZENG, Ming ZHAO. Spatio-temporal context network for 3D human pose estimation based on graph attention[J]. Journal of Computer Applications, 2025, 45(10): 3161-3169.

图/表 16

参考文献 43

[1]	ZHAO T， LI S， NGAN K N， et al. 3-D reconstruction of human body shape from a single commodity depth camera［J］. IEEE Transactions on Multimedia， 2019， 21（1）： 114-123.
[2]	MARTINEZ J， HOSSAIN R， ROMERO J， et al. A simple yet effective baseline for 3D human pose estimation［C］// Proceedings of the 2017 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2017： 2659-2668.
[3]	PAVLLO D， FEICHTENHOFER C， GRANGIER D， et al. 3D human pose estimation in video with temporal convolutions and semi-supervised training［C］// Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2019： 7745-7754.
[4]	HUA G， LI W， ZHANG Q， et al. Weakly-supervised 3D human pose estimation with cross-view U-shaped graph convolutional network［J］. IEEE Transactions on Multimedia， 2023， 25： 1832-1843.
[5]	LEE K， LEE I， LEE S. Propagating LSTM： 3D pose estimation based on joint interdependency［C］// Proceedings of the 2018 European Conference on Computer Vision， LNCS 11211. Cham： Springer， 2018： 123-141.
[6]	HOSSAIN M R I， LITTLE J J. Exploiting temporal information for 3D human pose estimation［C］// Proceedings of the 2018 European Conference on Computer Vision， LNCS 11214. Cham： Springer， 2018： 69-86.
[7]	CAI Y， GE L， LIU J， et al. Exploiting spatial-temporal relationships for 3D pose estimation via graph convolutional networks［C］// Proceedings of the 2019 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2019： 2272-2281.
[8]	谭大艺，田炜，熊璐. 融合双序列姿态的驾驶员行为识别方法［J/OL］. 计算机工程与应用，［2024-11-26］. .
	TAN D Y， TIAN W， XIONG L. Driver behavior recognition method using dual-sequence pose integration［J/OL］. Computer Engineering and Applications ［2024-11-26］. .
[9]	LI W， LIU H， DING R， et al. Exploiting temporal contexts with strided Transformer for 3D human pose estimation［J］. IEEE Transactions on Multimedia， 2023， 25：1282-1293.
[10]	WANG B， SHU Y， FU X， et al. Enhanced limb constraints and global attention integration for 3D human pose estimation［C］// Proceedings of the 7th International Conference on Advanced Algorithms and Control Engineering. Piscataway： IEEE， 2024： 278-282.
[11]	ZHANG L， SHAO X， LI Z， et al. Spatio-temporal attention graph for monocular 3D human pose estimation［C］// Proceedings of the 2022 IEEE International Conference on Image Processing. Piscataway： IEEE， 2022： 1231-1235.
[12]	ZHAO L， PENG X， TIAN Y， et al. Semantic graph convolutional networks for 3D human pose regression［C］// Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2019： 3420-3430.
[13]	齐绪兴，徐成，曾凤彩，等. 基于深度学习的人体姿态估计综述［C］// 中国计算机用户协会网络应用分会2024年第二十八届网络新技术与应用年会论文集. 北京：中国计算机用户协会， 2024： 280-283.
	QI X X， XU C， ZENG F C， et al. Review of human pose estimation based on deep learning［C］// Proceedings of the 2024 28th Annual Conference on Network New Technologies and Applications by the Network Application Branch of the China Computer Users Association. Beijing： China Computer Users Association， 2024： 280-283.
[14]	XU Y L， WANG W， LIU T， et al. Monocular 3D pose estimation via pose grammar and data augmentation［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2022， 44（10）：6327-6344.
[15]	LIU Y， HEL-OR H， KAPLAN C S， et al. Computational symmetry in computer vision and computer graphics［J］. Foundations and Trends® in Computer Graphics and Vision， 2010， 5（1/2）：1-195.
[16]	闫永杰，李敏奇. 融合图卷积与Transformer的三维人体姿态估计网络［J］. 自动化应用， 2024， 65（13）：71-75， 86.
	YAN Y J， LI M Q. 3D human pose estimation network combining graph convolution and Transformer［J］. Automation Application， 2024， 65（13）： 71-75， 86.
[17]	LI W， LIU H， TANG H， et al. MHFormer： multi-hypothesis Transformer for 3D human pose estimation［C］// Proceedings of the 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2022： 13137-13146.
[18]	SHI L， ZHANG Y F， CHENG J， et al. Two-stream adaptive graph convolutional networks for skeleton-based action recognition［C］// Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2019： 12018-12027.
[19]	ZOU Z， LIU T， WU D， et al. Compositional graph convolutional networks for 3D human pose estimation［C］// Proceedings of the 16th IEEE International Conference on Automatic Face and Gesture Recognition. Piscataway： IEEE， 2021：1-8.
[20]	BOUDAA B， TOUHAMI H. A graph attention networks model for session-based recommender systems［C］// Proceedings of the 2023 International Conference on Networking and Advanced Systems. Piscataway： IEEE， 2023： 70-73.
[21]	GU K， YANG L， MI M B， et al. Bias-compensated integral regression for human pose estimation［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2023， 45（9）： 10687-10702.
[22]	PAVLAKOS G， ZHOU X， DERPANIS K G， et al. Coarse-to-fine volumetric prediction for single-image 3D human pose［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 1263-1272.
[23]	FANG H S， XU Y， WANG W， et al. Learning pose grammar to encode human body configuration for 3D pose estimation［C］// Proceedings of the 32nd AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2018： 6821-6828.
[24]	SCHIRMER L， LUCIO D， CRUZ L， et al. SGAT： semantic graph attention for 3D human pose estimation［C］// Proceedings of the 34th SIBGRAPI Conference on Graphics， Patterns and Images. Piscataway： IEEE， 2021： 255-262.
[25]	YAN S， XIONG Y， LIN D， et al. Spatial temporal graph convolutional networks for skeleton-based action recognition［C］// Proceedings of the 32nd AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2018：7444-7452.
[26]	LIU J， DING H， SHAHROUDY A， et al. Feature boosting network for 3D pose estimation［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2020， 42（2）：494-501.
[27]	SIGAL L， BALAN A O， BLACK M J. HumanEva： synchronized video and motion capture dataset and baseline algorithm for evaluation of articulated human motion［J］. International Journal of Computer Vision， 2010， 87（1/2）： 4-27.
[28]	XU T， TAKANO W. Graph stacked hourglass networks for 3D human pose estimation［C］// Proceedings of the 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2021： 16100-16109.
[29]	GONG K， ZHANG J， FENG J. PoseAug： a differentiable pose augmentation framework for 3D human pose estimation［C］// Proceedings of the 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2021： 8571-8580.
[30]	ZOU J， SHAO M， XIA S. GraphRPE： relative position encoding graph Transformer for 3D human pose estimation［C］// Proceedings of the 2023 IEEE International Conference on Image Processing. Piscataway： IEEE， 2023： 895-899.
[31]	XUE Y， CHEN J， GU X， et al. Boosting monocular 3D human pose estimation with part aware attention［J］. IEEE Transactions on Image Processing， 2022， 31： 4278-4291.
[32]	LI M， CHEN S， ZHAO Y， et al. Dynamic multiscale graph neural networks for 3D skeleton based human motion prediction［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 211-220.
[33]	LIU Y. Study on human pose estimation based on channel and spatial attention［C］// Proceedings of the 3rd International Conference on Consumer Electronics and Computer Engineering. Piscataway： IEEE， 2023： 47-50.
[34]	JANGADE J， BABULAL K S. Study on deep learning models for human pose estimation and its real time application［C］// Proceedings of the 6th International Conference on Information Systems and Computer Networks. Piscataway： IEEE， 2023：1-6.
[35]	LIU H， REN C. An effective 3D human pose estimation method based on dilated convolutions for videos［C］// Proceedings of the 2019 IEEE International Conference on Robotics and Biomimetics. Piscataway： IEEE， 2019：2327-2331.
[36]	LUTZ S， BLYTHMAN R， GHOSAL K， et al. Jointformer： single-frame lifting Transformer with error prediction and refinement for 3D human pose estimation［C］// Proceedings of the 26th International Conference on Pattern Recognition. Piscataway： IEEE， 2022： 1156-1163.
[37]	ZHAI K， NIE Q， OUYANG B， et al. HopFIR： hop-wise GraphFormer with intragroup joint refinement for 3D human pose estimation［C］// Proceedings of the 2023 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2023： 14939-14949.
[38]	WANG D， LIU R， YI P， et al. MCFNet： multi-scale cross fusion network for 3D human pose estimation［C］// Proceedings of the 9th International Conference on Signal and Image Processing. Piscataway： IEEE， 2024： 684-688.
[39]	KANG N， CHEN G， ZHANG C， et al. A Transformer-based approach for 3D human pose estimation in rehabilitation exercise movements［C］// Proceedings of the 5th International Conference on Computer Vision， Image and Deep Learning. Piscataway： IEEE， 2024： 424-429.
[40]	CHOI J， SHIM D， KIM H J. DiffuPose： monocular 3D human pose estimation via denoising diffusion probabilistic model［C］// Proceedings of the 2023 IEEE/RSJ International Conference on Intelligent Robots and Systems. Piscataway： IEEE， 2023： 3773-3780.
[41]	CHEN T， FANG C， SHEN X， et al. Anatomy-aware 3D human pose estimation with bone based pose decomposition［J］. IEEE Transactions on Circuits and Systems for Video Technology， 2022， 32（1）： 198-209.
[42]	NEWELL A， YANG K， DENG J. Stacked hourglass networks for human pose estimation［C］// Proceedings of the 2016 European Conference on Computer Vision， LNCS 9912. Cham： Springer， 2016： 483-499.
[43]	刘星，王宇晶. 基于双循环Transformer的三维人体姿态估计［J］. 传感技术学报， 2024， 37（7）：1236-1243.
	LIU X， WANG Y J. 3D human pose estimation based on dual circulation Transformer［J］. Chinese Journal of Sensors and Actuators， 2024， 37（7）： 1236-1243.

模型	Dir	Disc	Eat	Gree	Phon	Phot	Pose	Purc	Sit	SitD	Smok	Wait	WalkD	Walk	WalkT.	Avg.
文献［15］模型	42.3	46.3	41.4	46.9	50.1	56.2	45.1	44.1	58.0	65.0	48.4	44.5	47.1	32.5	33.2	46.7
文献［29］模型	45.2	49.9	47.5	50.9	54.9	66.1	48.5	46.3	59.7	71.5	51.4	48.6	53.9	39.9	44.1	51.9
文献［19］模型	42.4	49.2	45.7	49.4	50.4	58.2	47.9	46.0	57.5	63.0	49.7	46.6	52.2	38.9	40.8	49.4
文献［36］模型	45.6	49.7	46.0	49.3	52.2	58.8	47.5	46.1	58.2	66.1	50.7	47.5	52.6	39.2	41.6	50.1
文献［37］模型	43.9	47.6	45.5	48.9	50.1	58.0	46.2	44.5	55.7	62.9	49.0	45.8	51.8	38.0	39.9	48.5
MCFNet^［38］	44.1	48.0	44.0	47.2	50.9	56.8	47.0	45.4	56.2	64.7	49.2	46.3	52.5	38.6	40.7	48.6
文献［39］模型	40.7	43.7	40.7	42.7	46.0	52.7	42.9	41.2	57.4	60.8	44.8	43.8	44.4	30.8	31.3	44.3
文献［10］模型	43.7	48.2	44.1	49.8	56.1	46.0	46.0	44.2	56.3	60.7	48.8	44.9	50.9	37.2	39.6	47.7
本文模型（T=81）	42.3	45.8	42.2	44.8	45.9	55.1	43.7	43.9	56.8	60.9	46.1	43.1	46.2	32.1	32.6	43.5

模型	Dir	Disc	Eat	Gree	Phon	Phot	Pose	Purc	Sit	SitD	Smok	Wait	WalkD	Walk	WalkT.	Avg.
文献［15］模型	42.3	46.3	41.4	46.9	50.1	56.2	45.1	44.1	58.0	65.0	48.4	44.5	47.1	32.5	33.2	46.7
文献［29］模型	45.2	49.9	47.5	50.9	54.9	66.1	48.5	46.3	59.7	71.5	51.4	48.6	53.9	39.9	44.1	51.9
文献［19］模型	42.4	49.2	45.7	49.4	50.4	58.2	47.9	46.0	57.5	63.0	49.7	46.6	52.2	38.9	40.8	49.4
文献［36］模型	45.6	49.7	46.0	49.3	52.2	58.8	47.5	46.1	58.2	66.1	50.7	47.5	52.6	39.2	41.6	50.1
文献［37］模型	43.9	47.6	45.5	48.9	50.1	58.0	46.2	44.5	55.7	62.9	49.0	45.8	51.8	38.0	39.9	48.5
MCFNet^［38］	44.1	48.0	44.0	47.2	50.9	56.8	47.0	45.4	56.2	64.7	49.2	46.3	52.5	38.6	40.7	48.6
文献［39］模型	40.7	43.7	40.7	42.7	46.0	52.7	42.9	41.2	57.4	60.8	44.8	43.8	44.4	30.8	31.3	44.3
文献［10］模型	43.7	48.2	44.1	49.8	56.1	46.0	46.0	44.2	56.3	60.7	48.8	44.9	50.9	37.2	39.6	47.7
本文模型（T=81）	42.3	45.8	42.2	44.8	45.9	55.1	43.7	43.9	56.8	60.9	46.1	43.1	46.2	32.1	32.6	43.5

模型	Dir	Disc	Eat	Gree	Phon	Phot	Pose	Purc	Sit	SitD	Smok	Wait	WalkD	Walk	WalkT.	Avg.
文献［15］模型	35.9	40.0	38.0	41.5	42.5	51.4	37.8	36.0	48.6	56.6	41.8	38.3	42.7	31.7	36.2	41.2
文献［19］模型	35.7	38.6	36.3	40.5	39.2	44.5	37.0	35.4	46.4	51.2	40.5	35.6	41.7	30.7	33.9	39.1
文献［40］模型	35.9	40.3	36.7	41.4	39.1	43.4	37.1	35.5	46.2	59.7	39.9	38.0	41.9	32.9	34.2	39.9
MCFNet^［38］	34.6	37.7	35.4	39.1	40.0	44.4	36.7	34.3	45.3	52.4	39.9	35.2	41.7	30.6	33.9	38.7
文献［39］模型	33.4	36.3	33.3	35.7	36.3	42.3	33.7	32.6	45.8	50.6	36.7	34.2	35.6	24.0	24.5	35.7
本文模型（T=81）	33.4	36.2	34.1	35.1	36.0	43.2	32.2	32.1	45.1	48.3	37.1	32.9	36.2	25.1	25.2	35.4

模型	Dir	Disc	Eat	Gree	Phon	Phot	Pose	Purc	Sit	SitD	Smok	Wait	WalkD	Walk	WalkT.	Avg.
文献［15］模型	35.9	40.0	38.0	41.5	42.5	51.4	37.8	36.0	48.6	56.6	41.8	38.3	42.7	31.7	36.2	41.2
文献［19］模型	35.7	38.6	36.3	40.5	39.2	44.5	37.0	35.4	46.4	51.2	40.5	35.6	41.7	30.7	33.9	39.1
文献［40］模型	35.9	40.3	36.7	41.4	39.1	43.4	37.1	35.5	46.2	59.7	39.9	38.0	41.9	32.9	34.2	39.9
MCFNet^［38］	34.6	37.7	35.4	39.1	40.0	44.4	36.7	34.3	45.3	52.4	39.9	35.2	41.7	30.6	33.9	38.7
文献［39］模型	33.4	36.3	33.3	35.7	36.3	42.3	33.7	32.6	45.8	50.6	36.7	34.2	35.6	24.0	24.5	35.7
本文模型（T=81）	33.4	36.2	34.1	35.1	36.0	43.2	32.2	32.1	45.1	48.3	37.1	32.9	36.2	25.1	25.2	35.4

模型	S1	S2	S3	Avg.
文献［2］模型	19.7	17.4	46.8	27.9
文献［22］模型	22.3	19.5	29.7	23.8
文献［5］模型	18.6	19.9	30.5	23.0
本文模型	15.2	12.3	40.8	22.7

基于图注意力机制的三维人体姿态估计时空上下文网络

Spatio-temporal context network for 3D human pose estimation based on graph attention

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 16

参考文献 43

相关文章 15

编辑推荐

Metrics

输入帧长度	模型	Human3.6M数据集
输入帧长度	模型	参数量/10⁶	计算量/GFLOPs	MPJPE/mm
27	文献［3］模型	8.56	0.017	48.8
	文献［41］模型	31.88	0.061	45.3
	本文模型	7.01	0.057	44.7
81	文献［3］模型	12.75	0.025	47.7
	文献［41］模型	45.53	0.088	44.6
	本文模型	7.06	0.082	43.5
243	文献［3］模型	16.95	0.033	46.8
	文献［41］模型	59.10	0.116	44.1
	本文模型	7.41	0.112	42.9

模型	MPJPE	性能差值
本文模型	45.7
本文模型去除STCN	47.5	1.8
本文模型去除PGCN	49.9	4.2
本文模型去除EGAT	48.6	2.9

[1]	魏利利, 闫丽蓉, 唐晓芬. 上下文语义表征和像素关系纠正的小样本目标检测[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 2993-3002.
[2]	张硕, 孙国凯, 庄园, 冯小雨, 王敬之. 面向区块链节点分析的eclipse攻击动态检测方法[J]. 《计算机应用》唯一官方网站, 2025, 45(8): 2428-2436.
[3]	俞凯乐, 廖家俊, 毛嘉莉, 黄小鹏. 多约束条件下钢铁物流车货匹配的多目标优化[J]. 《计算机应用》唯一官方网站, 2025, 45(8): 2477-2483.
[4]	闫家鑫, 陈艳平, 杨卫哲, 黄瑞章, 秦永彬. 基于特征组合的异构图注意力网络关系抽取[J]. 《计算机应用》唯一官方网站, 2025, 45(8): 2470-2476.
[5]	李嘉欣, 莫思特. 基于MiniRBT-LSTM-GAT与标签平滑的台区电力工单分类[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1356-1362.
[6]	胡健鹏, 张立臣. 面向多时间步风功率预测的深度时空网络模型[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 98-105.
[7]	朱亮, 慕京哲, 左洪强, 谷晶中, 朱付保. 基于联邦图神经网络的位置隐私保护推荐方案[J]. 《计算机应用》唯一官方网站, 2025, 45(1): 136-143.
[8]	杨航, 李汪根, 张根生, 王志格, 开新. 基于图神经网络的多层信息交互融合算法用于会话推荐[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2719-2725.
[9]	顾焰杰, 张英俊, 刘晓倩, 周围, 孙威. 基于时空多图融合的交通流量预测[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2618-2625.
[10]	柯添赐, 刘建华, 孙水华, 郑智雄, 蔡子杰. 融合强关联依赖和简洁语法的方面级情感分析模型[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1786-1795.
[11]	郭洁, 林佳瑜, 梁祖红, 罗孝波, 孙海涛. 基于知识感知和跨层次对比学习的推荐方法[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1121-1127.
[12]	郭磊, 贾真, 李天瑞. 面向方面级情感分析的交互式关系图注意力网络[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 696-701.
[13]	徐大鹏, 侯新民. 基于网络结构设计的图神经网络特征选择方法[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 663-670.
[14]	王利琴, 张特, 许智宏, 董永峰, 杨国伟. 融合实体语义及结构信息的知识图谱推理[J]. 《计算机应用》唯一官方网站, 2024, 44(11): 3371-3378.
[15]	蒋汶娟, 过弋, 付娇娇. 融合图注意力的复杂时序知识图谱推理问答模型[J]. 《计算机应用》唯一官方网站, 2024, 44(10): 3047-3057.

模型连接方式	MPJPE
并联	45.7
串联	46.3

模型连接方式	MPJPE
并联	45.7
串联	46.3