CVPRNov, 2016

AdaScan: 深度卷积神经网络中的自适应扫描池化在人体动作识别中的应用

PDF
TL;DR提出了一种基于深度学习的新方法来进行人类动作识别，该方法通过不断预测视频帧的判别重要性并汇集这些帧，从而在单次时间扫描中丢弃大部分无信息帧，证明该汇集方法在标准基准测试中具有有效性，与基线汇集方法相比具有竞争力，同时利用辅助的视频表示方法在两个具有挑战性和公开可用的基准数据集上取得了最新的竞争性结果。
temporal poolinghuman action recognitiondeep learningvideo framesdiscriminative importance
发现论文，激发创造
  • 使用区分性汇聚进行视频表示学习

    本文提出一种基于深度学习的视频分类与识别方法，使用判别池化和多实例学习对视频进行分类，取得了在多项基准测试数据集上的最佳表现。

    Mar, 2018

  • 基于时间金字塔池化的卷积神经网络用于动作识别

    该论文提出了一种新的网络结构，可以允许任意数量的帧作为网络输入，并采用编码层、时空金字塔池化层和特征拼接层解决了 CNN 在视频分类中帧数不定的问题，实验结果表明该方法在使用更少的训练数据时能超越同类方法。

    Mar, 2015

  • 用于视频动作识别的双流卷积神经网络

    本文提出了一种基于深度卷积神经网络的两通道 ConvNet 架构，结合了空间和时间网络，利用稀疏光流信息进行训练并使用多任务学习提高模型性能，成功地提高了视频动作识别的准确率。

    Jun, 2014

  • 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

  • 基于深度池化的卷积神经网络大规模三维动作识别

    本论文提出了三种简单、紧凑而有效的深度序列表示，称为 DDI、DDNI 和 DDMNI，用于孤立和连续行为识别。在这些动态图像上，设计了基于 ConvNet 的方法进行行动识别，取得了三个大型数据集上的最先进结果，即 Large-scale Continuous Gesture Recognition Dataset（Jaccard 指数 0.4109）、Large-scale Isolated Gesture Recognition Dataset（59.21％）和 NTU RGB + D Dataset（跨主体 87.08％和跨视角 84.22％），即使只使用深度模态。

    Mar, 2018

  • 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

  • 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

  • 光流序列的有序池化用于动作识别

    本文提出一种代替传统 RGB 图像的光流帧有序表示方法，以更有效地捕捉动作学习，从而显著提高动作识别准确率。

    Jan, 2017

  • 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

  • 结构化关键点池化的基于关键点的统一动作识别框架

    本文提出了一种利用点云深度学习范式的方法，并引入了一种名为结构化关键点池化的深度神经网络架构，该方法针对骨架检测和跟踪误差、目标动作的少样性以及针对个人和帧的动作识别提出了统一的解决方案，同时还提出了一种 Pooling-Switching Trick，能够在弱监督下处理不同视频中的多个点云，实现对新数据的有效扩充，相比之前的研究能够更好地进行骨架和时空动作的识别和本地化。

    Mar, 2023