Feb, 2016

从新视角学习人类动作识别的深度模型

PDF
TL;DR本篇研究提出了一种基于非线性知识转移的深度神经网络模型 (R-NKTM)，通过寻找连接未知视角和共享高级虚拟视角的非线性虚拟路径，将人类行为的知识从任何未知视角传输到高级虚拟视角，从而实现人类行为的识别和分类，适用于不同的动作和视角。在多个数据集上的实验结果表明，该方法优于现有的最先进技术。
human action recognitionnon-linear knowledge transferdeep neural networkvirtual pathcross-view datasets
发现论文，激发创造
  • 针对骨骼数据的视角自适应循环神经网络，用于高性能人类动作识别

    提出了一种新颖的视角自适应循环神经网络模型，用于解决骨骼数据中的视角变化和动作连续性问题，并在三个基准数据集上取得了显著的改进。

    Mar, 2017

  • 从未见过的视角识别动作的人造人类

    本研究旨在探讨合成人类能否提高人类动作识别的性能，特别关注对不寻常拍摄视角的泛化能力，研究发现数据的合成和扩充可以带来性能的提升。

    Dec, 2019

  • 从 CNN-Transformer 模型中提取知识，以增强人类动作识别

    通过知识蒸馏以及结合 CNN 和 ViT 模型，本研究旨在改善人体动作识别的性能和效率，从较大的教师模型向较小的学生模型传递知识，并通过引入 Transformer 视觉网络作为学生模型以及卷积网络作为教师模型，扩展了对局部图像特征和全局特征的关注，进而显著提升了动作识别的准确性和平均精度。

    Nov, 2023

  • 高性能基于骨架的人类动作识别的视角自适应神经网络

    本研究提出了一种基于神经网络的视角自适应方法，通过学习确定虚拟观察视角并将骨架转换至该视角，可以减轻骨架动作识别中视角变化的影响，并且在五个挑战性基准测试上得到了优于现有方法的表现。

    Apr, 2018

  • 一种基于深度学习的人体动作单张图像解析模型

    本文主要研究如何通过使用深度置信网络方法来融合人体布局和周围信息从静态图像中理解人体行为，并使用手动标记的数据来改善网络的训练和微调阶段的效率。结果表明该方法具有较好的鲁棒性和优异的性能。

    Feb, 2015

  • 从合成数据中学习人体姿势模型以实现鲁棒的 RGB-D 动作识别

    我们提出了一种人体姿态模型，可表示与服装纹理、背景、光线条件、身体形状和摄像机视点无关的 RGB 和深度图像。通过开发一个综合训练数据的框架，我们学习了 CNN 模型并使用它们从真正的 RGB 和深度帧的人体动作视频中提取不变特征。在三个基准跨视图人体动作数据集的实验中，我们的算法在 RGB 和 RGB-D 动作识别方面明显优于现有方法。

    Jul, 2017

  • TransNet：基于迁移学习的网络人体动作识别

    通过将复杂的 3D-CNN 解构为 2D - 和 1D-CNN，本文提出了一种简洁而多功能的端到端深度学习架构 TransNet 用于人体动作识别（HAR），通过与其他领域的预训练 2D-CNN 模型相结合，TransNet 可以有效地提高效率和准确性，并在大量实验结果和与最先进的模型的比较中展示了其在 HAR 中相对于灵活性、模型复杂度、训练速度和分类准确性方面的优越性。

    Sep, 2023

  • 通过视觉运动链预测来扩展操作学习

    提出了一种基于视觉运动链的精确和通用的机器人学习表示方法，该方法不需要手动调整，可以从机器人的模型和相机参数自动获取。通过使用单个目标进行最优点集匹配的训练，演示了 Visual Kinematics Transformer (VKT) 在多个环境中的卓越性能。

    Jun, 2024

  • 使用深度循环神经网络学习人体全身运动与自然语言之间的双向映射

    该研究提出了一种使用深度循环神经网络和序列到序列学习学习人体全身运动和自然语言之间双向映射的生成模型，该模型不需要分割或手动特征工程，并学习分布式表示，其结构可以生成逼真的动作或描述.

    May, 2017

  • 动作无关的人体姿势预测

    本文提出了一种新的不考虑活动标签的短期和长期人体姿势预测方法，使用一种新的循环神经网络模型 —— 三角棱镜循环神经网络，该模型通过编码不同时间尺度的时间依赖性来捕获潜在的分层结构，经在 Human 3.6M 和 Penn Action 数据集上进行了广泛的实验，证明了本方法在数量和质量上均优于基线和最先进的方法。

    Oct, 2018