人类动作识别的进展:一份调查报告
本文提出了一个可适用于多种应用场景的人体动作识别框架,包含多形式人体检测和对应动作分类两个模块。其中,通过构建开源数据集来训练多形式人体检测模型,从而识别人的整体、上半身或部分身体,并采用动作分类模型来识别跌倒、睡觉等动作。实验结果表明,该框架对于各种应用场景都是有效的,是一种新的面向应用的人体动作识别 AI 范式。
Sep, 2022
本文综述了在视频中自动识别人际互动的主要挑战,研究现状,以及基于深度学习和卷积神经网络方面的最新、有前途的工作,最终概述了克服目前技术限制以分析和理解社会人类行为的方向。
Jul, 2018
本文综述了基于不同数据形式的深度学习方法在人类动作识别方面的应用以及涉及 co-learning 和融合等技术,并对多个基础数据集进行了实验比较研究与探讨未来研究方向。
Dec, 2020
本文对计算机视觉中各种动作识别和检测算法进行全面的回顾和分析,探讨了一个典型动作识别和检测算法的两个步骤:特征提取和编码以及将特征分类为动作类别。同时,本文讨论了如何使计算机视觉算法能够像人类一样识别动作,解决了一些未解决的问题。
Oct, 2016
通过对深度学习模型的全面分析,这项研究揭示了卷积神经网络、循环神经网络和两流卷积神经网络在人体动作识别中的优势和性能差异,并强调了综合模型在实现强大的人体动作识别方面的潜力和优化的研究方向。
Mar, 2024
该研究针对婴儿动作识别领域展开研究,介绍了一个名为 “InfActPrimitive” 的重要婴儿里程碑动作数据集,并采用专门的预处理方法对婴儿数据进行分析。研究结果显示,虽然 PoseC3D 模型在准确率上达到了约 71%,但其他模型难以准确捕捉到婴儿动作的动态特征,这凸显了婴儿动作识别领域与成人动作识别领域之间存在知识差距,并迫切需要数据高效的流程模型。
Nov, 2023
本文提出了一种新的方法,使用良好特征和迭代光流算法来计算特征向量,并使用多层感知器(MLP)网络进行分类,最终通过优化多层感知器网络的各种参数来提高系统准确性,从而解决了实时识别与跟踪人类动作的问题。
Aug, 2017