人类动作识别与预测:调查
本文提出了一个可适用于多种应用场景的人体动作识别框架,包含多形式人体检测和对应动作分类两个模块。其中,通过构建开源数据集来训练多形式人体检测模型,从而识别人的整体、上半身或部分身体,并采用动作分类模型来识别跌倒、睡觉等动作。实验结果表明,该框架对于各种应用场景都是有效的,是一种新的面向应用的人体动作识别 AI 范式。
Sep, 2022
本文对计算机视觉中各种动作识别和检测算法进行全面的回顾和分析,探讨了一个典型动作识别和检测算法的两个步骤:特征提取和编码以及将特征分类为动作类别。同时,本文讨论了如何使计算机视觉算法能够像人类一样识别动作,解决了一些未解决的问题。
Oct, 2016
本文综述了在视频中自动识别人际互动的主要挑战,研究现状,以及基于深度学习和卷积神经网络方面的最新、有前途的工作,最终概述了克服目前技术限制以分析和理解社会人类行为的方向。
Jul, 2018
通过对深度学习模型的全面分析,这项研究揭示了卷积神经网络、循环神经网络和两流卷积神经网络在人体动作识别中的优势和性能差异,并强调了综合模型在实现强大的人体动作识别方面的潜力和优化的研究方向。
Mar, 2024
通过利用 “提议(proposals)” 方法生成行为区域的模型训练,能够在无约束视频中实现人的行为识别,无论是否存在摄像头运动;该方法在两个新的数据集中取得了超越最先进技术的性能,同时在异常行为检测场景中取得较高的成功率。
Jan, 2017
本文提出了一种使用动态图像和定制损失函数的生成模型来预测人类行为的方法,该方法在三个基准测试中相较于现有的最佳方法增强了 4% 至 5.2% 的预测准确性。
Aug, 2018
该研究对行为预测算法在日常生活场景中的最新进展进行了回顾和分类总结,着重关注深度学习方法。此外,研究还探讨了常见的评估指标和数据集,并提出了未来的研究方向。
Sep, 2023