CVPRMar, 2017

一种用于三维动作识别的骨架序列新表示方法

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 基于骨骼的动作识别再探讨

    本文提出了基于 3D 热力图堆叠的 PoseC3D 方法，相较于基于图卷积网络的方法，能够更有效地学习时空特征、更具鲁棒性，并且适用于多人场景，同时在处理过程中也更加易于与其它视觉模态进行结合。在四个具有挑战性的数据集中，PoseC3D 方法均取得了卓越表现。

    Apr, 2021

  • 基于 CNN 的 3D 动作识别中不同骨架特征的研究

    本文介绍了一种基于深度学习和骨骼信息的动作识别方法，该方法采用 CNN 代替 RNN 进行空时信息的提取和处理，将五种空间骨骼特征编码为图像并有效提高了 3D 人体动作分析的精度。

    May, 2017

  • 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

  • 基于关节轨迹地图和卷积神经网络的动作识别

    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。

    Dec, 2016

  • 基于时空 LSTM 网络和可控门的骨架动作识别

    本论文提出了一种基于骨骼的人体动作识别方法，该方法采用循环神经网络建模体关节的 3D 位置配置之间的时间依赖关系，利用空间域和时间域共同分析骨架序列中与动作相关信息的潜在来源，并提出了一种有效的基于树状结构的遍历框架，以处理 Kinect 骨架数据中的噪声。该方法采用了新的 LSTM 模块中的门机制，通过学习连续数据的可靠性，并相应地调整长期上下文表示存储在单元的内存单元中输入数据的影响，从而处理骨架数据中的噪声，并提出了一种新颖的多模态特征融合策略。实验结果表明该方法在 7 个具有挑战性的基准数据集上具有很好的效果。

    Jun, 2017

  • 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