CVPRDec, 2016

基于李群的骨骼动作识别深度学习

PDF
TL;DR本文提出了一种基于深度学习的骨骼动作识别方法，采用了 Lie 群结构，并设计了旋转映射和对数映射层，以学习更合适的特征，并在标准的 3D 人体动作识别数据集上取得了优异的性能。
skeleton-based action recognitionlie group featuresdeep learningrotation mappinglogarithm mapping
发现论文，激发创造
  • Lie-X: 基于深度图像的关节物体姿态估计、跟踪和动作识别

    本文提出了一种基于李群理论的统一框架，用于解决深度图像中复杂目标的姿态估计、跟踪和动作识别问题，并在多种实验中验证其优于卷积神经网络和回归森林等方法的竞争力。

    Sep, 2016

  • 一种用于三维动作识别的骨架序列新表示方法

    本文提出了一种新的方法，使用骨架序列（即人类骨架关节的 3D 轨迹）进行三维动作识别，并使用深度神经网络进行空间时间特征学习和长期时间信息学习。实验结果表明该方法具有很好的识别效果。

    Mar, 2017

  • Skeleton-DML: 基于骨架的单次动作识别的深度度量学习

    本文提出了一个以深度度量学习为基础的单次动作识别方法，使用图像骨骼表示法，在嵌入空间中训练模型，在 NTU RGB+D 120 数据集中，实现了单次动作识别协议最新的 3.3％提升，在附加数据增强后提高了超过 7.7％。

    Dec, 2020

  • 基于骨架的多粒度时空图神经网络学习用于动作识别

    本文提出了一种新的基于骨架的动作分类方法，使用多层次空间时间图网络联合建模粗粒度和细粒度骨架运动模式，并采用双头图网络和跨头部通信策略来提取两个时空分辨率的特征，实验证明该方法在三个大规模数据集上取得了最先进的性能。

    Aug, 2021

  • 基于三维骨架的行为识别学习方法调查

    这篇研究论文介绍了从基于深度学习架构的角度全面讨论使用三维骨架数据进行动作识别，并详细介绍了基于循环神经网络 (RNN)-based、卷积神经网络 (CNN)-based 和图卷积网络 (GCN)-based 的主流动作识别技术，并介绍了包括 NTU-RGB+D 在内的多个数据集和算法。

    Feb, 2020

  • 深度表示学习用于人类动作预测和分类

    本研究提出一个基于深度学习的人体动作捕捉数据的通用模型，学习自大量的捕捉数据中，并成功应用于人体动作特征提取、分类和预测，优于现有最新技术，具有普遍性。

    Feb, 2017

  • 从骨架中学习团体活动，无需单独的动作标签

    本文针对人类行为建模，使用骨架数据训练端到端的状态最新系统，无需精细的个人动作注释即可实现对群体活动的分类识别，但未采用个人行为监督的模型效果较差。同时，本文也提出了伪标签可从任何预训练特征提取器中计算，最终获得与监督模型具有可比性的性能。最后提出的姿态网络架构表现出优异的结果，即使在自监督变体中也可竞争性地胜过更复杂的多模态方法。

    May, 2021

  • 带有信任门的时空 LSTM 用于 3D 人体动作识别

    本研究提出了一种基于 RNN 的学习方法，通过树形结构遍历骨骼图来分析 3D 运动数据的时空依赖关系，并引入新的门控机制来处理 3D 骨骼数据中的噪声和遮挡，从而实现对动作数据的高效分析及提取。

    Jul, 2016

  • 基于群体骨架的复杂事件中的人类行为识别

    本文介绍了基于多人骨骼的人类动作识别的新方法，利用多尺度时空图卷积网络提取骨骼特征，用多层感知器嵌入参考人和其他人之间的距离值，并通过特征融合和分类得出在 HiEve 数据集上超越其他技术的最佳性能。

    Nov, 2020

  • 基于 LSTM 和 CNN 的骨架动作识别

    该研究使用 3D 骨架数据和卷积神经网络 (CNN) 和长短期记忆 (LSTM) 方法进行 3D 人体行为分析，证明 CNN 和 LSTM 的分数融合方法可以更有效地捕获空间 - 时间信息，并在 NTU RGB+D 数据集上取得了最先进的结果，在深度视频中的大规模 3D 人体动作分析挑战中排名第一。

    Jul, 2017