本文提出了一种将图形模型和深度神经网络集成到一个联合框架中的方法,在序列推断方面采用递归神经网络的建模,通过对节点之间的边缘施加门来学习推断的适当结构。实证研究表明,这种模型具有处理高度结构化学习任务的潜力,再现了在群体活动识别问题的表现。
Nov, 2015
本研究提出了一种基于深度强化学习的新方法,通过构建语义关系图来显式地对人之间的关系进行建模,并应用两个代理来逐步优化低层次的空间 - 时间特征和高层次的语义关系,在离散动作空间中,特征蒸馏代理通过提炼最具信息量的关键帧来优化低层次特征,在连续动作空间中,关系门控代理调整高层次的语义图以更多地关注与群体相关的关系,实验结果表明,该方法在两个广泛应用的基准上具有有效性和优越性。
Aug, 2019
本文提出了一种基于深度神经网络和分层图模型的个人和群体活动监测方案,使用深度网络识别场景中个人的动作,并通过考虑类别间的依赖关系使用神经网络分层图模型完善每个类别的预测标签,该方法能有效改善基准测试方法的识别率。
Jun, 2015
本文针对视频序列中的团体活动行为分类问题,基于 LSTM 模型构建了一个 2 阶段的深度时间模型,同时考虑了个体和群体层面的动态信息,通过在排球视频数据集上的实验验证了该模型的有效性。
Jul, 2016
本研究提出一种基于序列关系预测模型的组活动预测方法,该模型可以总结部分观测数据中的关系动态并逐步预测具有区分性信息的群体表示,通过两种图形自编码器预测活动特征和位置,并在实验中取得了显著的预测效果。
Aug, 2020
本文提出了一个称作 Convolutional Relational Machine(CRM)的深度卷积神经网络模型,用于识别图像或视频中的团体活动。该模型利用个体之间的空间关系来产生中间的活动表征,经过多阶段逐步修正,在最后的聚合模块中使用修正后的信息来识别团体活动,并展示了其在 Volleyball 和 Collective Activity 数据集上比现有模型具有的优势。
Apr, 2019
本文提出了一种结合高级时空图和序列学习成功的递归神经网络(RNN)的方法,通过将任意时空图转化为丰富的 RNN 混合物来提高模型性能,适用于模拟人类运动到对象交互等多种问题领域。
本文提出了一种切片循环神经网络(SRNNs),将序列分割为多个子序列实现并行化,SRNNs 相对标准 RNNs 在训练时间快 136 倍且在六个大规模情感分析数据集上表现更好。
Jul, 2018
通过 LSTM 模型构建 2 阶段深层次模型,从而更好地理解群体活动,利用这些动态实现群体活动识别,实验结果表明,该模型可以有效提高群体活动识别性能。
提出一种新颖的半监督、多层级顺序生成对抗网络(MLS-GAN)架构来进行群体活动识别,该网络架构利用个人和场景等级的特征,通过 LSTMs 实现映射,通过新颖的门控融合单元进行基于动作的特征融合,学习当前群体活动的中间表示或 “动作代码”,并具有半监督行为,可实现群体动作分类,相较于其他结构表现出更优秀的效果。
Dec, 2018