本文介绍了一个基于 Wearable 设备的多模态自我中心活动识别数据集，其中提出了一种从传感器数据中提取时空轨迹特征的新颖策略，并应用 Fisher Kernel 框架融合视频和时空增强的传感器特征，实验结果表明，精心设计的特征提取和融合算法可以提高信息丰富的视频数据的质量。

Jan, 2016

本文提出了一种基于时间序列池化的特征表示框架，用于抽象活动视频中的短期 / 长期特征描述符的变化，并用于处理第一人称视频活动数据集的动作识别问题，与基于视觉词袋和改进的 Fisher 矢量的特征表示相比能够更好地表征第一人称视频中的动作。

Dec, 2014

本研究提出了一种基于惯性测量单元数据和自我视角摄像头提取的活动分类方法，通过胶囊网络和卷积长短时记忆框架提取特征和捕获行为的时间因素，并且使用基于遗传算法的方法自动系统地设置各种网络参数。实验证明，这种方法的综合准确度明显提高，可以更准确地对活动进行分类。

May, 2019

利用可穿戴相机的图像数据，结合卷积神经网络和递归神经网络的优点，提出了一种基于批量处理的系统来识别 21 种日常活动，准确率达 89.85％，优于现有的端到端方法。

Oct, 2017

本研究提出了一种双流网络架构，其中一个流分析外观信息，另一个流分析动作信息，并利用卷积神经网络在手势外观、对象属性、本地手势运动和相机自我运动等方面的知识信息，可以有效地提高第一人称视角下动作识别的准确率。

May, 2016

介绍一种多标签活动识别的方法，它可以为每个活动提取独立的特征描述符并学习活动之间的相关性，可使现有的视频分类网络结构更好地应用于多标签活动，经实验表现优于其他方法，并在 Charades 数据集中展示了活动特定的特征。

Sep, 2020

采用多核支持向量机和多流深度卷积神经网络相结合的方法，在多个方面如摄像机视角、视频质量等具有挑战性的 HMDB-51 数据集上，实现了接近最先进技术的 51 种活动识别问题的性能，同时也表现出人类级别的视觉理解能力，并且结合了改进的稠密轨迹和多跳特征叠加等人工手工制造特征补充了性能。

Jul, 2017

该研究旨在研究在第一人称视角下，如何准确识别行为。为此，提出了一种新颖的特征轨迹表示方法，并且使用所提出的方法在公开数据集上实现了 11% 的性能提升，该方法可以识别出佩戴者的各种行为，且不需要分割手 / 物体或识别物体 / 手的姿态。

Apr, 2016

使用深度学习技术和卷积神经网络来预测个人在日常生活中的活动，利用上下文信息（如时间和星期几）来提高分类准确性。

Oct, 2015

本文研究利用深度学习，以图像流中的高级特征为基础识别佩戴式摄像机的运动，并弥补设备低帧率带来的连续帧之间的差异罅隙，从而提升了辅助技术应用中的活动识别效能。

Aug, 2017