本研究对 Bag of Visual Words 模型（BoVW）中的五个步骤以及特征融合方法做了全面的研究，探讨了不同的局部特征提取和编码对行为识别的影响，并且基于不同 BoVW 框架和本地描述符的互补性，提出了一个简单而有效的表示方法，被称为混合表示，用于进行行为识别，使得识别率达到了 state-of-the-art。

May, 2014

本文旨在介绍一种最先进的视频表示方法并将其应用于高效的动作识别和检测。我们采用密集轨迹特征提取等一系列方法来改进该方法，并比较了传统基于单词包直方图的编码方法以及 Fisher 向量编码方法在视频识别任务中的表现。实验结果表明，我们提出的改进轨迹特征显着优于传统的密集轨迹方法，并且 Fisher 向量编码方法表现更好。

Apr, 2015

通过构建表达力强的组合行为模型，模拟视频中动作实例的时空组合，采用弱监督学习算法，识别行为的潜在结构，最终实验结果表明该方法在动作识别方面的表现优于竞争方法。

Feb, 2015

本文提出了一种等价于传统词袋方法的循环神经网络，但可以进行判别式训练，并允许将核计算直接整合到神经网络中，从而解决了复杂性问题；在四个最新的行动识别基准测试上进行了验证，结果表明传统模型以及稀疏编码方法都被超越。

Mar, 2017

通过引入视点不变特征表示，研究提高现有动作识别架构；提出了一种轻量级通用的空间 - 时间对齐网络（STAN）用于学习动作识别的几何不变表示；实验证明 STAN 模型在广泛使用的数据集上能够在从头开始训练的模式下持续改进动作识别任务的最先进模型。

Aug, 2023

通过提出基于时空自相似性的丰富且强健的动作表示方法，论文介绍了一种能够有效识别时空结构模式以及捕捉视频中长期交互和快速运动的神经网络块 SELFY，并在多个行为识别基准数据集上取得了最先进的结果。

Feb, 2021

本研究旨在从视觉单词（BoVW）中重建原始图像，提出了一种含自然性本地邻近性及全局位置的评估函数，并通过使用外部图像数据库获取相关参数的方法来估计原始布局，以达到成功重建 BoVW 的目的，并产生了 101 种不同物体的图像和新颖的 BoVW 图像。

May, 2015

本研究提出利用自我监督学习来预测动作概念和辅助描述符，设计并幻化了两种描述符，分别利用图像和视频级别显著性检测器以及四种流行的目标检测器应用于训练视频。通过在中间描述符上捕获四个统计时刻，本文在 Charades 和 EPIC-Kitchens 等五个流行数据集上取得了最优结果。

Jan, 2020

提出了一种新的基于时空协方差描述符和加权黎曼局部保留投影的动作和手势识别方法，并利用加权投影在整合时空区域的同时进行提升以创建最终的多类分类算法。通过积分视频表示法快速计算描述符。在 UCF 体育、CK + 面部表情和剑桥手势数据集上的实验表明，所提出的方法与几种最新技术相比具有卓越的性能。该方法具有鲁棒性，不需要对视频进行额外的处理，如前景检测、兴趣点检测或跟踪。

Mar, 2013

通过对现有 STAD 数据集建立两个基准，并提出基于预训练视频 - 语言模型的简单而有效的方法，我们在新的类别上取得了令人期待的性能，通过训练一个在有限的基本类别上的模型来具备好的泛化性能。

May, 2024