Apr, 2017

基于身体关节引导的 3D 卷积深度描述符用于动作识别

PDF
TL;DR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。
3d cnnsvideo-based action recognitionconvolutional layer activationsbody joint positionsbilinear model
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

  • 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

  • 使用轨迹池化深度卷积描述符的动作识别

    本文提出一种新的视频表示方法 TDD，通过利用深度卷积特征和轨迹约束池化来学习生成自动化的高度区分性的特征描述符，通过归一化方法来提高 TDD 鲁棒性，实验结果表明 TDD 优于之前使用的手工制作和深度学习的特征方法在动作识别方面的性能。

    May, 2015

  • 多层深度特征联合关注的动作识别

    该研究提出了一种新颖的深度监督神经网络模型，利用了视觉跟踪，并结合了深度卷积神经网络（CNN）和循环神经网络（RNN）的鲁棒性来进行视频动作识别任务。研究结果表明，该模型在 UCF101 和 HMDB51 这两个具有挑战性的数据集上表现出色，仅使用卷积特征就可以达到最先进的水平。

    Jul, 2016

  • 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

  • 视频动作识别的协作时空特征学习

    本文提出了一种新颖的神经操作，通过在三个正交视图上进行 2D 卷积，协同编码了时空特征，并通过权值共享来促进空间和时间特征的学习，此方法在大规模基准测试中取得了最优性能，并通过对不同视图学习的系数进行量化，探讨了空间和时间特征的贡献，以提高模型的解释性并指导视频识别算法的设计。

    Mar, 2019

  • 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

  • 基于姿态的 CNN 特征在动作识别中的应用

    本研究提出了一种基于人体姿势的卷积神经网络描述子（P-CNN），该描述子通过人类身体部位的轨迹聚合运动和外观信息，可以显著提高在 JHMDB 和 MPII Cooking 数据集上进行的人体动作识别的最新表现。

    Jun, 2015

  • 用于 3D 视频中动作识别的双流 RNN/CNN

    本论文提出了一种通过将循环神经网络和卷积神经网络相结合运用于动作识别的算法，通过 SVM 对特征进行分类，实验结果表明，在标准数据集上，该算法提高了 14% 的识别率。

    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