Aug, 2016

无人参与的人类行为识别

PDF
TL;DR本文提出了一种新的人类行为分析概念，即 “无人干预下的人类行为识别”，为了理解行为标签，我们考虑了背景序列对于分类当前大规模行动数据集中的人类动作的影响。通过研究多种精巧的运动表征，我们探讨了一些特征从背景中提取可能过于强。
human action recognitionmotion representationbackground sequencedense trajectoriesconvolutional neural network
发现论文，激发创造
  • 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

  • 视频数据中人类行为识别的深度学习方法

    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

  • 利用良好特征和多层感知器网络的人类动作识别系统

    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

  • 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

  • 通过非动作分类提高人类动作识别

    本文研究在现实世界的视频中识别人类动作的任务，通过学习非动作分类器，用其减少非人类动作的视频片段以提高动作识别系统的性能，分析了删除非动作视频段的益处，并使用包含人类动作的短片级别注释数据集 ActionThread 进行训练。

    Apr, 2016

  • 深入了解动作识别：综述

    本文全面回顾了人类动作识别领域的先驱方法和基于深度学习的方法，展望了该领域未来的新研究方向。

    May, 2016

  • 使用深度学习方法和单帧 CNN 及卷积 LSTM 进行人类活动识别

    本文探讨了基于深度学习的两种方法 —— 单帧卷积神经网络和卷积长短时记忆，以实现从视频中识别人类行为，同时在 UCF50 数据集和实验数据集上对两个模型进行了评估，结果表明单帧 CNN 模型的准确性优于卷积 LSTM 模型。

    Apr, 2023

  • 应用驱动的人类动作识别 AI 范式

    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

  • 人类动作识别的进展：一份调查报告

    本调查综述了过去几年中在人类行为识别方面的最新进展，该领域的主要研究领域包括计算机视觉、视频监控、人机交互和视频检索。

    Jan, 2015

  • 视频人体动作识别中的深度神经网络：综述

    本篇论文研究了基于视频的人体行为识别任务，通过比较现有的深度学习框架（尤其是视频动作识别的表现）和机器学习框架，提出了多项新颖的研究方案。

    May, 2023