Dec, 2016

基于关节轨迹地图和卷积神经网络的动作识别

PDF
TL;DR本文提出了一种使用 Joint Trajectory Maps（JTM）表示三维骨架序列中的时空信息的方法，然后使用 ConvNets 学习人体动作识别的判别特征，并通过多个 JTM 的评分融合来改善最终识别结果，实验结果表明该方法在多个公共基准数据集上均取得了最先进的结果。
convnetsspatio-temporal informationjoint trajectory mapshuman action recognitionstate-of-the-art results
发现论文，激发创造
  • 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

  • 基于骨骼的动作识别的双流三维卷积神经网络

    本文利用 3D CNN 提取基于骨架的动作识别的时空信息与深度特征，探讨其与 RNN 的互补性和噪声下的鲁棒性，并在 SmartHome 数据集和 NTU RGB-D 数据集上获得优异的表现。

    May, 2017

  • 基于卷积神经网络的基础动作识别

    本文提出了一种基于卷积神经网络的框架用于骨骼动作识别，通过自动选择重要的骨骼节点和提取时间段提案进行动作分类和检测， 在 NTU RGB + D 数据集上获得了 89.3％的验证准确性和 93.7％的 mAP。

    Apr, 2017

  • 可解释的基于时态卷积网络的 3D 人体动作分析

    本文提出了一种使用新型解释性模型 TCN 进行 3D 人体动作识别任务的方法 Res-TCN，并在最大的 3D 人体动作识别数据集 NTU-RGBD 上取得了最新的成果。

    Apr, 2017

  • 基于骨骼的动作识别的时空图卷积网络

    提出了一种基于空间 - 时间图卷积网络 (ST-GCN) 的骨架识别模型，该模型能够在不借助人工干预的情况下自动学习骨架在空间和时间上的表现，并且在动作识别以及泛化能力方面远优于之前的方法。

    Jan, 2018

  • 基于树结构和参考关节点的三维动作识别骨架图像表示

    这篇文章介绍了一种针对 3D 人体动作识别领域的改进型骨架图像表示方法 ——Tree Structure Reference Joints Image（TSRJI），并运用于卷积神经网络，实现了最新数据集 NTU RGB+D 120 上的最优结果。

    Sep, 2019

  • 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

  • SkeleMotion：基于动作信息的骨骼关节序列新表示方法用于 3D 动作识别

    提出了一种名为 SkeleMotion 的骨骼图像表示法，能够更好地捕捉行为中所涉及的长程关节交互和过滤杂乱运动值，并在 NTU RGB+D 120 数据集上优于现有技术，在 3D 人体动作识别方面取得了成功。

    Jul, 2019

  • 基于分解时空卷积网络的人类动作识别

    本文提出了一种名为 FstCN 的新型 3D 深度架构，能够有效处理人类行为三维动态序列信号，并且利用转换和排列操作，将原始的三维卷积核学习分解为一系列二维和一维卷积核学习过程，同时提出了基于视频片段采样的有效训练和推断策略，在 UCF-101 和 HMDB-51 数据集上的表现比传统 CNN 方法更好，与最近一种利用辅助训练视频的方法相当。

    Oct, 2015

  • 基于身体关节引导的 3D 卷积深度描述符用于动作识别

    该研究提出了一种利用卷积层激活函数形成判别视频描述符的方法，在身体关节位置的指引下对卷积层数上的特征进行聚合，从而提升视频识别的准确性，并使用双线性模型来使其端到端化和不依赖于任何复杂的身体关节检测算法。

    Apr, 2017