TAG-Head：仅凭 RGB 视频实现细粒度动作识别的轻量级图神经网络头

ICPR 2026接收论文提出TAG-Head，一个即插即用的时空图头模块，无需额外模态即可将标准3D骨干网络升级为细粒度动作识别利器，在多项基准上超越多模态方法。该模块轻量高效，可无缝集成到SlowFast、R(2+1)D-34等主流架构，为细粒度动作识别提供新解决方案。

细粒度人体动作识别（FHAR）需区分视觉相似的动作（如体操翻转、跳水转体），依赖微妙时空线索。传统方案依赖多模态信息（姿态、光流、文本）提升准确率，但存在额外标注成本高、计算复杂、系统臃肿等问题。

TAG-Head是轻量级时空图头，可即插即用接入3D骨干网络。其双阶段流程：

1. Transformer全局编码：用可学习3D位置编码捕捉时空长距离依赖，奠定全局上下文基础；
2. 图神经网络精细化：含两种边类型——帧内全连接边（分辨细微外观差异）、时间对齐边（稳定运动线索且不过度平滑）。

TAG-Head具有多重优势：

• 参数效率高：引入极少参数量与计算开销，适合资源受限环境；
• 即插即用：无缝集成主流3D骨干，无需修改原有结构；
• 端到端训练：与骨干网络一起训练，简化流程；
• 低延迟：额外开销小，满足实时应用需求。

在FineGym（Gym99/Gym288）、HAA500数据集上，TAG-Head取得RGB-only最优性能，且超越许多多模态方法。消融实验表明：Transformer编码器提供全局上下文，两种边类型组合对性能提升至关重要，单独使用任一类型无法达到完整模型效果。

TAG-Head仅依赖RGB视频，可应用于：

• 体育分析：辅助裁判评分、运动员技术分析；
• 健身指导：实时动作质量分析与个性化建议；
• 人机交互：VR/AR自然交互；
• 视频监控：提升安防系统智能水平。无需额外传感器，降低部署门槛。

TAG-Head通过轻量级时空图头模块，在无额外模态下提升RGB-only细粒度识别性能，超越多模态对手。其设计原则（全局与局部平衡、时空融合）为视频理解提供新思路。研究团队承诺GitHub发布代码，促进技术传播与应用。