Edge-STGNN：面向边缘设备的自动化时空图神经网络搜索框架

本文介绍Edge-STGNN，一种面向边缘设备的自动化时空图神经网络搜索框架，专为基于骨架的人类动作识别任务设计。该框架通过神经架构搜索（NAS）技术平衡模型精度与计算效率，解决现有STGNN在边缘设备部署中因资源限制难以实时运行的问题，核心创新包括针对性的时空图搜索空间、硬件感知多目标优化及高效搜索策略。

基于骨架的人类动作识别是计算机视觉重要方向，应用于智能监控、人机交互等场景，骨架数据具有光照不敏感、计算开销小、隐私友好等优势。但边缘设备资源受限（计算、内存、电池），现有STGNN为追求精度设计复杂难以实时运行；传统NAS计算成本高且忽视时空图网络特性。

1. 紧凑灵活的时空图搜索空间：涵盖多种时空图卷积操作变体，平衡搜索效率与架构可能性；2. 硬件感知多目标优化：同时考虑精度与计算效率，内置边缘设备延迟预测器快速评估候选架构；3. 高效one-shot搜索策略：基于权重共享超网络训练，无需重新训练即可评估子网络性能。

处理人体骨架序列数据（关键点检测器提取），支持关节坐标、骨骼向量及组合输入；架构由时空图卷积层堆叠，每层含空间图卷积（聚合关节关系）和时间卷积（捕获动态），自动确定超参数；边缘优化包括深度可分离卷积、轻量级激活函数、紧凑特征维度。

在NTU RGB+D、Kinetics-Skeleton等数据集评估，精度与效率平衡优异：相同计算预算下精度更高，或相近精度下显著降低开销；边缘部署展现实时性能。消融实验验证搜索空间与多目标优化有效性，硬件感知搜索能发现更适合边缘的架构。

对边缘AI意义重大：证明NAS在时空图网络可行性，提供自动化设计工具；硬件感知范式可推广到其他边缘任务。实际应用上，助力智能手机、智能摄像头等部署高性能动作识别系统，服务智能安防、运动分析等领域，用户可隐私保护下享受实时服务。

代码已在GitHub开源，包含搜索算法、预训练模型、评估脚本及文档，方便复现与研究。开源促进边缘AI和动作识别领域学术交流，研究者可基于此探索新策略、扩展任务或实际部署。

Edge-STGNN是NAS在时空图网络领域的重要进展，通过针对性设计实现边缘高效准确识别。未来随边缘计算与NAS发展，期待更多自动化工具降低部署门槛，推动智能应用普及创新。