本文探讨了欧拉运动在四个实际应用中（动作识别、静态图像中的运动预测、静态图像中的运动转换以及视频中的运动转换）的优点，并通过对图像进行复杂可控金字塔分解获取相位来捕获欧拉运动，而不是当前标准的拉格朗日光流模型。

Sep, 2016

基于光流和动作识别，本文研究不同类型的光流及从光流中提取的特征，通过对光流动态进行功率归一化以纠正流动态并提高性能，进一步将修正后的流动态集成到流行模型中，并通过简单的幻觉步骤翻译 CNN 特征图到不同尺度的光流特征，取得多个基准测试中的最佳性能。

Oct, 2023

本研究针对 UCF101 数据集，以光流算法数据作为神经网络的输入，研究了不同光流算法和输入变换条件对人体动作识别的影响，通过精细调整光流算法，对比分析得出一些重要结论，特别是对 EPE 作为一个目标的颠覆，证明了更好的训练方法提高了人体动作识别的性能。

Dec, 2017

本文提出一种基于无监督学习的预测 - 校正方案，通过 PDE 约束的光学流预测器给出速度场的估计，并通过基于物理的校正器进行精细化处理，取得了比光学流方法更好的效果，在基准数据集上表现出与现有监督学习方法具有竞争力的结果。

Jun, 2022

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

本文针对实时动作识别应用，提出了一种新的运动线索 —— 外观持续性（PA），它通过局部像素差异累加而不是大量的运动向量搜索来提取动作信息，并基于 PA 提出了一种新的全局时间融合方案 —— 各时间尺度汇聚池化（VAP），从而构建了一个统一的框架 —— 持续外观网络（PAN），该方法在 6 个挑战性动作识别基准测试中表现出优异的动态建模能力。

Aug, 2020

我们提出了一种多任务学习模型 ActionFlowNet，将外部光流数据输入到卷积神经网络中，同时训练网络以从原始像素中直接识别动作和估计光流，从而捕捉单个模型中的外观和运动信息，提高动作识别准确率。

Dec, 2016

本文介绍了一种全自动方法来将一张静态图像转换为具有连续流体运动的逼真动画循环视频。该方法依赖于单变量特征场的欧拉运动描述，并使用图像到图像的翻译网络来编码自然场景的运动先验，并通过深度扭曲技术，使用产生的运动来动画化图像，从而实现连续流畅的循环视频纹理。

Nov, 2020

通过用运动矢量直接代替计算光流来加速双流架构，然后通过初始化转移、监督转移和它们的组合，将光流 CNN 中学习的知识转移到运动矢量 CNN 中，以提高后者的性能。实验结果表明，该方法的识别性能可与最先进的方法相媲美，同时处理速度比原始的双流方法快 27 倍。

Apr, 2016

本文提出了一种卷积层，它能够学习动作表示，我们称之为表示流层，它是一种完全可微分的层，能够捕捉卷积神经网络中任何表示通道的 “流动”，通过迭代流优化过程学习参数，并与其他 CNN 模型参数一起最大化动作识别性能。我们还引入了多个表示流层学习 “流之流” 表示的概念，并通过广泛的实验评估，证实了其优于使用传统光流的先前识别模型在计算速度和性能方面的优势。

Oct, 2018