当核方法遇上特征学习:用于基于骨架数据的动作识别的对数协方差网络
本文提出了一种基于张量表示的三维动作识别方法,使用径向基函数(RBF)生成核描述符,通过描述符的高阶外积形成张量表示,同时使用序列兼容性核和动态兼容性核进行动作识别,该方法在多个基准数据集上实现了最好的效果。
Apr, 2016
本文提出了一种基于核技巧的协方差矩阵增强方法Kernelized-COV,可用于建模复杂的非线性关系,通过在3D动作识别基准数据集上的实验证明了其优越性。
Apr, 2016
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
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。
Apr, 2017
我们提出了一种新颖的无监督骨架动作识别系统,该系统基于编码器-解码器递归神经网络,可以无需提供任何标签或摄像头深度输入,并可在各维度的身体关键点(2D或3D)和附加提示描述移动的情况下操作,并将其与最新的无监督骨架方法进行比较。方法表现出更好的交叉视图性能,且与有监督骨架动作识别表现相似。
Nov, 2019
研究了基于骨架动作识别中如何提取骨架联结的区分特征所面临的问题,提出了一种基于图卷积网络的高效的GCN基线。通过提出的复合扩展策略,在NTU RGB+D 60和120数据集上,其EfficientGCN-B4基线性能超越其他SOTA模型,且模型规模更小、训练速度更快。
Jun, 2021
本文提出了一种新的基于骨架的动作分类方法,使用多层次空间时间图网络联合建模粗粒度和细粒度骨架运动模式,并采用双头图网络和跨头部通信策略来提取两个时空分辨率的特征,实验证明该方法在三个大规模数据集上取得了最先进的性能。
Aug, 2021
本文探讨了基于骨架的动作识别在人类动作识别数据集方面的优势,以及深度学习算法在该领域中的应用。同时,研究表明,通过适当的训练技巧、数据增强和优化器,卷积神经网络可以达到与图神经网络相媲美的效果。实验在NTU-60数据集上取得了95%的准确度。
Jan, 2023
该研究提出了Ske2Grid,这是一个用于改进基于骨骼的动作识别的新型表示学习框架。Ske2Grid通过在人体骨骼的一种新颖的网格表示上定义规则卷积操作来构建和学习一个紧凑的图像样式的网格块,并提出了三种新的设计来保证其双射属性和增强网格表示的表达能力。经过实验证明,在六种主流基于骨骼的动作识别数据集上,Ske2Grid明显优于现有的基于图卷积网络的解决方案,且不需添加额外的修饰。
Aug, 2023
本研究解决了图卷积网络在骨骼基础动作识别中的复杂性和高能耗问题。提出的信号-图神经网络利用骨骼序列的时间特性并引入多种特征提取模块,显著降低了计算和存储成本,同时提升了分类准确性。实验结果表明,该方法在多个数据集上超越了现有的基于脉冲神经网络的方法,且与图卷积网络方法相比结果也相当出色。
Aug, 2024