基于骨架的在线动作预测:使用比例选择网络
本文提出了一种基于卷积神经网络的框架用于骨骼动作识别,通过自动选择重要的骨骼节点和提取时间段提案进行动作分类和检测, 在 NTU RGB + D 数据集上获得了 89.3%的验证准确性和 93.7%的 mAP。
Apr, 2017
该论文提出了一种基于图像分类的骨架视频动作识别方法,通过图像映射和卷积神经网络构建实现了在多个数据集上的最新成果。
Apr, 2017
本文提出一种新的一次性骨架动作识别技术,通过多尺度空间和时间特征匹配处理骨架动作识别,实现了优秀、卓越的一次性骨架动作识别,并在诸多大规模数据集上,持续超越当前最先进的方法。
Jul, 2023
本文利用 3D CNN 提取基于骨架的动作识别的时空信息与深度特征,探讨其与 RNN 的互补性和噪声下的鲁棒性,并在 SmartHome 数据集和 NTU RGB-D 数据集上获得优异的表现。
May, 2017
本文提出了一种通过骨骼基于视频形象映射和深度回归图像中对象检测的方法,用于解决流媒体 3D 骨架视频中的行为检测问题,经实验证明其表现优越。
Apr, 2017
本文研究了如何从流媒体骨架数据中实时监测并识别出人类动作,并提出了一种基于神经网络的多任务分类回归模型来更准确地定位动作类型和时间位置信息,该模型具有较高的计算效率和准确性。
Apr, 2016
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
本文提出了一种名为 G3D 的统一的空时图卷积算子方法和一种简单的多尺度图卷积方法,用于在神经网络中捕捉图像、模型人体动态的长程、多级别、空时依赖模型关系,以此提高特征抽取器效果,实验结果表明,该算法在三个大规模数据集上优于目前最先进的方法。
Mar, 2020
本文提出了一种新的方法,使用骨架序列(即人类骨架关节的 3D 轨迹)进行三维动作识别,并使用深度神经网络进行空间时间特征学习和长期时间信息学习。实验结果表明该方法具有很好的识别效果。
Mar, 2017
这篇研究论文介绍了从基于深度学习架构的角度全面讨论使用三维骨架数据进行动作识别,并详细介绍了基于循环神经网络 (RNN)-based、卷积神经网络 (CNN)-based 和图卷积网络 (GCN)-based 的主流动作识别技术,并介绍了包括 NTU-RGB+D 在内的多个数据集和算法。
Feb, 2020