ST-SNN：基于层束神经网络的时空图卷积动作识别新方法

本文介绍ST-SNN架构，该架构将ST-GCN中的标准图卷积网络替换为层束神经网络，利用正交限制映射有效建模异质交互，在NTU RGB+D数据集上将基线准确率从81.5%提升至85.4%，结合高级时序模块可达到与STGCN++相当的性能。

人体动作识别是计算机视觉领域的核心任务之一，广泛应用于智能监控、人机交互、运动分析等场景。基于骨骼数据的动作识别方法对光照变化、遮挡和视角变化具有鲁棒性。传统ST-GCN通过GCN建模人体关节空间关系，但存在同质性假设导致的过度平滑问题，难以捕捉相邻关节的异质交互（运动模式截然不同）。

层束神经网络（SheafNN）基于层束理论，为每个节点分配独立特征空间，通过限制映射定义节点间交互。ST-SNN的核心创新是使用正交限制映射的层束拉普拉斯算子替代GCN邻接矩阵，避免过度平滑。架构含空间模块（SheafafNN替换GCN）和时序模块块（标准时序模块/ MS-TCN多尺度时间卷积模块）。

在NTU RGB+D数据集ntu60_xsub_3d基准上的结果：

模型	空间模块	时序模块	准确率
ST-GCN（基线）	GCN	标准	81.5%
ST-SNN	SheafNN	标准	85.4%
STGCN++	GCN	MS-TCN	89.4%
ST-SNN++	SheafNN	MS-TCN	~89.0%
关键发现：替换空间模块提升3.9个百分点；结合MS-TCN与STGCN++性能相当；计算效率可控。

正交限制映射是关键：每条边学习正交变换矩阵，保持特征空间结构完整性；ST-SNN作为PySKL插件模块实现，含拓扑模块、配置文件、MMCV注册表集成，可轻松融入现有PySKL工作流。

1. 适用于社交网络、分子结构、知识图谱等异质图数据；2. 可探索多模态融合（视觉+骨骼特征）；3. 挖掘限制映射物理意义增强模型可解释性。

ST-SNN通过层束神经网络解决传统ST-GCN过度平滑问题，显著提升动作识别性能，展示拓扑方法在深度学习中的潜力。项目提供完整PySKL集成方案，期待层束神经网络更多创新应用。