Jul, 2017

基于骨架的全局上下文感知注意力LSTM网络的人类动作识别

HTML
PDF
TL;DR本研究设计了一种全局上下文感知注意 LSTM 网络 (GCA-LSTM) 用于基于骨骼的动作识别，实现了对每个骨架序列的每帧中信息的有选择性的聚焦，具有递归注意机制的 GCA-LSTM 网络的性能优于其他模型，并在评估使用的五个骨骼基础动作识别数据集上实现了最先进的性能。
发现论文，激发创造
  • 基于正则化深层LSTM网络的骨架动作识别的共现特征学习

    提出了一种基于骨架的行为识别模型，使用递归神经网络（RNNs）与长短时记忆（LSTM）建立深度学习网络，学习并自动建模骨架关节之间的协同特征，在三个人类行为识别数据集上具有良好的效果。

    Mar, 2016

  • 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

  • 带有信任门的时空LSTM用于3D人体动作识别

    本研究提出了一种基于RNN的学习方法，通过树形结构遍历骨骼图来分析3D运动数据的时空依赖关系，并引入新的门控机制来处理3D骨骼数据中的噪声和遮挡，从而实现对动作数据的高效分析及提取。

    Jul, 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

  • 基于注意力机制的骨架动作识别算法

    本研究旨在提出一种时间和空间相结合的新方法用于解决基于骨架的动作识别中的挑战，该方法利用内存关注网络（MANs）并将时间和空间校准模块与卷积神经网络（CNNs）相结合，最终在四个基准数据集（NTU RGB + D，HDM05，SYSU-3D和UT-Kinect）上实现了最佳性能。

    Apr, 2018

  • 基于骨架的同步本地和非本地时空学习和频率注意的动作识别

    该研究提出了一种同时提取时域和频域信息中详细和语义信息的方法，包括残差频率注意（rFA）块和同步本地和非本地（SLnL）块，以及软边缘焦点损失（SMFL）来优化学习过程，并在几个大规模数据集上明显优于其他现有方法。

    Nov, 2018

  • 一种增强型注意力图卷积LSTM网络用于基于骨架的动作识别

    本研究提出了一种 Attention Enhanced Graph Convolutional LSTM 网络(AGC-LSTM)的方法，它不仅可以在时间与空间领域之间探索联合关系，还可以通过注意力机制提高每个 AGC-LSTM 层中关键节点的特征差异性， 同时在空间和时间特征上提取关键特征，该方法在两个数据集上的表现均优于现有的最先进方法。

    Feb, 2019