基于符号表示的视频内容，我们提出了一个识别人类活动的系统：以时间戳的短期活动 (STA) 为输入，输出由预定义的 STA 时间组合的长期活动 (LTA)，这些 STA 限制已经通过事件演算的方言表达，并适应了最新的概率逻辑编程框架，通过对人类监控视频的基准数据集的实验来进行详细评估和比较。
Apr, 2012
本文提出了一种用于视频监控应用的自动识别人类活动的方法，将活动表示为类别组件的组合，并且提出了一种 Confident-Frame-based Recognition 算法来提高识别精度，该算法将高置信度的视频帧用作专门的局部模型来帮助分类其余的视频帧，实验结果表明了该方法的有效性。
Feb, 2015
本文提出一种基于归纳逻辑编程和 Event Calculus 的在线学习系统，可用于符号事件识别和活动识别，具有与批量学习技术相当的准确性和显著的训练时间优势。
Jul, 2016
智能家居中的人体活动识别是一个时间序列分析问题，我们提出了利用大型语言模型识别这些活动的结构构建块，并开发了一种活动识别流程，以此帮助智能家居中的活动监测任务。
Jun, 2024
本文提出了一种新的方法，该方法包括临时模式挖掘和自适应多任务学习，用于实现复杂活动识别，实验证明其有效性。
Nov, 2016
本文针对视频序列中的团体活动行为分类问题，基于 LSTM 模型构建了一个 2 阶段的深度时间模型，同时考虑了个体和群体层面的动态信息，通过在排球视频数据集上的实验验证了该模型的有效性。
本文研究了基于逻辑的事件识别中的不确定性问题，并通过引入概率推理扩展了事件演算，使用 Markov 逻辑网络作为基础形式。通过实验验证，证明了引入概率模型的 Event Calculus 在活动识别领域的优势。
Jul, 2012
本文讨论了利用深度学习模型进行人类活动识别研究中的挑战，并提出了一种基于对象感知网络的模型，以实现对视频中的语义意义的时空交互的推理，从而在三个不同的数据集上取得了最先进的结果。
Jun, 2018
该研究通过引入由语法指导的多模事件识别框架，进一步探讨了事件的构成结构与语言的构成结构如何相互影响，以及这种影响如何影响视觉行为识别，包括指导注意力、产生句子描述和查询视频等三个方面。
Aug, 2013
本研究开发了一种低参数、模块化系统，具有快速推理能力，在有限数据集上完全可以进行训练，无需从大参数系统进行迁移学习。该系统能够准确检测并关联实际课堂视频中执行这些活动的学生，并开发了一个基于交互式 Web 应用程序来可视化长时间真实课堂视频中的人类活动地图。
Mar, 2024