Dec, 2015

基于运动学建模与频率分析的非监督式重复人体动作时序分割

PDF
TL;DR本文提出了基于频率分析、零速度交叉检测和自适应 K-means 聚类的人类重复动作的时间分割方法，以处理不同采样率和准确度的人运动数据。实验结果表明，该算法可以对通过动作捕捉系统和 Microsoft Kinect 所捕获的动作数据进行鲁棒的重复性动作序列分割。
temporal segmentationkinematic parameterszero-velocity crossingadaptive k-means clusteringmotion data
发现论文，激发创造
  • 运动数据有效的无监督时序分割

    我们介绍了一种基于自相似结构的自动化时间分割人体运动数据的方法，并使用邻域图将运动基元聚类成更大的语义实体，实现了完全无监督的分割和分析运动数据的能力。

    Oct, 2015

  • 高时间分辨率行动识别序列建模

    本文介绍了一个新数据集 StrokeRehab，旨在解决机器学习中的一个重要问题，即从视频和运动数据中识别出细微的运动，提出了一种以语音识别技术为灵感的基于序列到序列模型的高分辨率动作识别方法，并在 StrokeRehab 数据集以及标准测试数据集 50Salads，Breakfast 和 Jigsaws 上取得了当前最优的结果。

    Nov, 2021

  • 基于时间加权的层次聚类法用于非监督行动轮廓分割

    提出一种全自动且无监督的方法，使用有效的时间加权层次聚类算法，对视频进行行动划分并在五个具有挑战性的动作分割数据集上展示出明显的性能改善。

    Mar, 2021

  • 基于隐藏过程回归的多变量时间序列联合分割用于人体活动识别

    通过对三维空间内由佩戴式加速度计测量的加速度数据的多维时间序列进行分割，本文分析了活动识别的问题，并提出了一种特定的统计潜在过程模型进行自动时段分割，该模型通过隐藏的离散逻辑过程来控制随时间而变换的多个活动。最终结果表明，本文提出的方法在完全无监督的情况下运作，并且不需要特征提取预处理步骤，其性能非常有竞争力。

    Dec, 2013

  • 连续时间嵌入的无监督动作类别学习

    该研究提出了一种基于连续时间嵌入的无监督学习方法，通过鉴别视觉序列中课程的聚类段以实现发现非结构化视频中的动作。该方法被评估在三个数据集上，可以适用于未知情景下的视觉内容分析

    Apr, 2019

  • 联合表示学习与在线聚类进行无监督动作分割

    本文提出了一种新颖的无监督活动分割方法，该方法使用视频帧聚类作为预文本任务，并同时执行表示学习和在线聚类。通过使用时间最优传输来利用视频中的时间信息，同时，在计算伪标签聚类分配的标准最优传输模块中加入保留活动时间顺序的时间正则化项。与之前的方法相比，我们的方法不需要在离线模式下存储整个数据集的特征，而是以在线模式每次处理一个小批量。 extensive evaluations on three public datasets, i.e. 50-Salads, YouTube Instructions, and Breakfast, and our dataset, i.e., Desktop Assembly, show that our approach performs on par with or better than previous methods, despite having significantly less memory constraints.

    May, 2021

  • 通过动作匹配实现无监督的人类行为检测

    本文提出了一种新的无监督行为检测方法，通过行为匹配检测共享相同人类行为的视频片段，该方法可用于发现新的行为类别、作为活动检测流程中的行为提议技术，同时还是生成视频重点的有用预处理步骤，作者在 MPII Cooking 数据集、THUMOS15 行为检测基准和 IKEA 数据集上使用三个活动识别基准评估了该方法。

    Dec, 2016

  • ReActNet：现实世界视频中重复活动的时间定位

    本文提出了一种使用卷积神经网络对视频进行表示并使用 ReActNet 对视频进行分类的方法，以定位视频中的有重复运动的部分。该方法可处理任何数量和持续时间的重复段，并具有较好的通用性和性能。

    Oct, 2019

  • 通过识别时间转换进行视频表示学习

    本研究提出了一种新颖的自监督学习方法来学习对于动态运动变化有响应的视频表征，通过训练神经网络来区分不同的时间变换的视频序列，使得无需人工标注数据即可准确地识别视频中的不稳定运动并增强神经网络在小数据集上的训练。该方法经过实验证明，可显著提高 UCF101 和 HMDB51 上的动作识别的传递性能。

    Jul, 2020

  • 基于人类手动演示视频的自动交互和活动识别技术及其在异常检测中的应用

    本文提出一种基于场景图，利用图像序列提取关键交互特征并编码动作模式和上下文的方法，同时引入基于事件的自动视频分割和聚类，成功地实现了识别手 - 物体和物体 - 物体交互，并匹配不同受试者执行的同一活动。

    Apr, 2023