Jun, 2014

姿态估计与动作检测的 R-CNNs

PDF
TL;DR利用卷积神经网络进行人体姿态关键点预测和动作分类的研究，在解决过程中采用一种基于任务损失函数的方法，在 PASCAL VOC 数据集上评估方法并与之前领先的方法进行比较，结果表明我们的方法在关键点和动作预测方面达到了最先进的水平；此外，我们还引入了一个新的动作检测数据集，并使用我们的方法进行了结果展示。
发现论文，激发创造
  • 基于姿态的 CNN 特征在动作识别中的应用

    本研究提出了一种基于人体姿势的卷积神经网络描述子（P-CNN），该描述子通过人类身体部位的轨迹聚合运动和外观信息，可以显著提高在 JHMDB 和 MPII Cooking 数据集上进行的人体动作识别的最新表现。

    Jun, 2015

  • 基于 R*CNN 的上下文动作识别

    通过利用场景和时下流行的深度学习模型 RCNN 的多区域分类法，作者提出了一种新颖的基于动作的行为识别系统 R*CNN，它不仅可以在 PASAL VOC Action 数据集上实现 90.2% 平均精确率， 超过了同领域其他方法，而且还能在 Berkeley Attributes of People 数据集上实现最新最好的人物属性分类效果。

    May, 2015

  • 基于卷积神经网络的基础动作识别

    本文提出了一种基于卷积神经网络的框架用于骨骼动作识别，通过自动选择重要的骨骼节点和提取时间段提案进行动作分类和检测， 在 NTU RGB + D 数据集上获得了 89.3％的验证准确性和 93.7％的 mAP。

    Apr, 2017

  • 基于 CNN 的视频动物行为识别与姿态估计：综述

    本研究概述了基于卷积神经网络体系结构的人类动作识别和姿态估计方法，并将其用于动物行为分类的技术进化及其架构适应性的分析。

    Jan, 2023

  • 大规模多人姿态估计的精度提升

    该论文提出了一种用于多人检测和二维姿势估计的方法，采用两个阶段的简单而强大的自上而下方法，结合使用 Faster RCNN 检测器、关键点基于非最大抑制（Non-Maximum-Suppression）和置信度计算，利用 COCO 数据集训练得到的该系统具有较高的平均精度和表现。

    Jan, 2017

  • 姿势来自动作：基于运动的无监督学习姿势特征

    本文提出了一种从视频中自动学习姿态特征的无监督方法，该方法利用了动作信号这一与外貌互补且可用于监督的信号，使用一个外貌卷积神经网络和一个运动卷积神经网络来表示姿态和生成动作编码，通过在 FLIC、PASCAL、UCF101 和 HMDB51 数据集上的 fine-tuning 实验证明了其在静态图像动作识别和视频动作识别方面的优越性。

    Sep, 2016

  • 动作识别：从静态数据集到移动机器人

    通过利用 “提议（proposals）” 方法生成行为区域的模型训练，能够在无约束视频中实现人的行为识别，无论是否存在摄像头运动；该方法在两个新的数据集中取得了超越最先进技术的性能，同时在异常行为检测场景中取得较高的成功率。

    Jan, 2017

  • 基于卷积神经网络的基于骨架的人体动作识别

    本文探讨了基于骨架的动作识别在人类动作识别数据集方面的优势，以及深度学习算法在该领域中的应用。同时，研究表明，通过适当的训练技巧、数据增强和优化器，卷积神经网络可以达到与图神经网络相媲美的效果。实验在 NTU-60 数据集上取得了 95% 的准确度。

    Jan, 2023

  • 快速单次拍摄检测与姿态估计

    该研究提出了一种多用途的卷积神经网络方法，该方法能够在单次识别中实现物体检测和粗略姿态估计，可以作为高精度姿态估计、物体跟踪和定位以及 vSLAM 等任务的预处理步骤。

    Sep, 2016

  • 利用姿态、动作和外观进行动作分类和检测的串联多流网络

    本文提出了一种网络体系结构，计算和整合了人类动作识别中最重要的视觉线索：姿态，运动和原始图像，并引入了马尔科夫链模型进行融合，在 HMDB51，J-HMDB 和 NTU RGB+D 数据集上达到最先进的动作分类性能和在 UCF101 和 J-HMDB 数据集上达到最先进的时空动作定位结果。

    Apr, 2017