Apr, 2017

利用双流循环神经网络建模动作的时间动态和空间配置

HTML
PDF
TL;DR本文提出了一种新型的双流RNN架构，用于模拟基于骨架的动作识别中的时间动态和空间配置，并探索了两种不同的时间流结构：叠加RNN和分层RNN，以及两种转换空间结构的有效方法，还利用旋转和缩放变换来改善模型的泛化性能。实验表明，我们的方法在各种动作，如一般动作、互动活动和手势中，都带来了相当大的改进。
发现论文，激发创造
  • 联合分类回归循环神经网络实现在线人体动作检测

    本文研究了如何从流媒体骨架数据中实时监测并识别出人类动作，并提出了一种基于神经网络的多任务分类回归模型来更准确地定位动作类型和时间位置信息，该模型具有较高的计算效率和准确性。

    Apr, 2016

  • 一种基于时空注意力机制的人体动作识别端到端模型（来自骨架数据）

    本研究提出了一种基于RNNs和LSTM的空间和时间关注模型，用于从骨架数据中识别人类动作，实验结果表明该模型在SBU和NTU数据集上均取得了很好的效果。

    Nov, 2016

  • 针对骨骼数据的视角自适应循环神经网络，用于高性能人类动作识别

    提出了一种新颖的视角自适应循环神经网络模型，用于解决骨骼数据中的视角变化和动作连续性问题，并在三个基准数据集上取得了显著的改进。

    Mar, 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

  • 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

  • 基于骨架的动作识别：空间推理和时域堆叠学习

    本研究提出了一种新的基于骨架的动作识别模型，包括空间推理网络（SRN）和时间堆叠学习网络（TSLN），SRN通过残差图神经网络捕获每帧内的高级空间结构信息，而TSLN通过多个跳跃剪辑LSTM的组合模拟骨架序列的详细时间动态，最终实验结果表明与最先进的方法相比，该方法表现出更好的表现。

    May, 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

  • 用于人体骨架运动预测的时空共同关注循环神经网络

    本研究提出了一种新颖的Skeleton-joint Co-attention循环神经网络（SC-RNN）来捕捉关节间的空间一致性以及骨架之间的时间演化，从而提高人体运动预测的准确性。通过实验证明，该方法优于相关方法。

    Sep, 2019

  • 基于空间和时间变换器网络的基于骨架的动作识别

    本文提出了一种基于 Spatial-Temporal Transformer 网络的骨骼姿态行为识别方法，使用自注意力机制成功提取了骨骼运动及其相关性的信息，与其他同类算法相比在多个大规模数据集上表现出更好的精度。

    Aug, 2020