MMJan, 2015

可重构卷积神经网络实现的三维人体活动识别

PDF
TL;DR本文提出了一种基于 RGB-D 视频的自动活动识别的深度模型，使用 3D 卷积和最大池化算子，结合激活函数以及学习出活动的时间结构，该模型可以直接作用在原始输入上进行活动分类，而且还允许动态调整模型结构以适应人类活动的时间变化，并在挑战性场景下验证了该方法的优越性，同时还给出了一个大型的 RGB-D 视频人类活动数据库。
发现论文，激发创造
  • 基于半径边界的的深度结构化三维人体活动识别模型

    本文探讨了一种新型深度结构模型，它可以通过卷积神经网络自适应地将活动实例逐个分解为时间部分，将其进一步分配到深度体系结构的零部件中，有效解决了人类活动识别方面的挑战，此方法已在多种拥有复杂情境的实验中得到了验证。

    Dec, 2015

  • 使用级联双注意力 CNN 和双向 GRU 框架的人体运动识别

    本文提出了一种空间 - 时间级联框架，利用深度学习算法提取人类活动的深入特征，并使用双向 Gated 循环单元进行长期时间建模和人类行为识别。实验结果表明，该方法与现有算法相比在帧每秒的执行时间方面提高了最多 167 倍。

    Aug, 2022

  • RGBD 图像中的非结构化人类活动检测

    使用 RGBD 传感器和最大熵隐马尔科夫模型识别人类活动，通过层次化建模的方法，将活动分解为多个子活动，实验结果表明在不同环境下能够识别出 12 种不同的人类活动。

    Jul, 2011

  • 基于 RGB-D 和深度学习的人体动作识别：一项综述

    本文综述了近年来在 RGB-D 基础上的人体运动识别中，采用深度学习方法中卷积神经网络和循环神经网络的应用，通过四类方法（基于 RGB、基于深度、基于骨骼、基于 RGB+D）来探讨现有技术的优缺点，特别是强调了应用于视频序列固有的时空结构信息的编码方法，以及未来的研究方向。

    Oct, 2017

  • NTU RGB+D 120：一个用于 3D 人体活动理解的大规模基准测试数据集

    本论文介绍了一个大规模数据集，用于 RGB+D 人体动作识别。研究显示，应用深度学习技术的 3D 人体动作识别方法更加优越，并提出了新的 APSR 解决方案，可以有效地识别新的动作类型。

    May, 2019

  • 用于 3D 视频中动作识别的双流 RNN/CNN

    本论文提出了一种通过将循环神经网络和卷积神经网络相结合运用于动作识别的算法，通过 SVM 对特征进行分类，实验结果表明，在标准数据集上，该算法提高了 14% 的识别率。

    Mar, 2017

  • 三流网络用于增强动作识别

    该论文提出了两种基于 CNN 的体系结构，包括三种流，可以分别捕捉不同速率的空间和时间信息，并使用双向 LSTM 和注意力机制进一步提高模型性能，实现了人类动作识别任务的最先进表现。

    Apr, 2021

  • 利用穿戴设备进行人类活动识别的深度卷积和循环模型

    本文探讨了基于深度学习在普适计算中的人类活动识别（HAR）技术，介绍了如何使用具有创新性的正则化方法训练循环神经网络，提出了适用于 HAR 问题的模型，并通过多个随机实验说明了超参数的影响和模型的适用性。

    Apr, 2016

  • 可解释的基于时态卷积网络的 3D 人体动作分析

    本文提出了一种使用新型解释性模型 TCN 进行 3D 人体动作识别任务的方法 Res-TCN，并在最大的 3D 人体动作识别数据集 NTU-RGBD 上取得了最新的成果。

    Apr, 2017

  • 时序活动检测的双流区域卷积 3D 网络

    该研究引入了新模型 R-C3D 来进行连续未修剪视频流的时间活动检测，包括提取有意义的时空特征来捕捉活动、准确定位每个活动的开始和结束时间，并通过将原始 RGB 流与基于光流的运动流进行有效整合，进一步提高了检测性能。通过在三个基准数据集上的实验，该模型在 THUMOS'14 和 Charades 数据集上取得了最先进的结果，并证明其是一种通用的时间活动检测框架。

    Jun, 2019