Apr, 2019

卷积关系机器用于群体活动识别

PDF
TL;DR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。
发现论文，激发创造
  • 结构推理机：循环神经网络用于分析群体活动识别中的关系

    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

  • 计算机视觉中的群体活动识别：综述，挑战和未来展望

    在计算机视觉领域，团体活动识别是一个热门话题。通过对团体关系进行活动识别，在视频分析、监控、自动驾驶和理解社交活动等各种场景中具有实际意义。本文综述了团体活动识别技术的现有研究进展，重点关注全局交互性和活动。首先，全面回顾了相关文献和各种团体活动识别方法，从传统方法到基于空间结构、描述符、非深度学习、分层循环神经网络（HRNN）、关系模型和注意机制的最新方法。其次，针对每个模块提出了关系网络和关系架构。第三，调查了团体活动识别的方法，并将其性能与最先进的技术进行了比较。总结了现有的挑战，并为新手提供了全面的指导，以便理解团体活动识别。此外，还回顾了团体活动识别中的新视角，探索了新的方向和可能性。

    Jul, 2023

  • 渐进式关系学习用于群体活动识别

    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

  • 学习演员关系图用于群体活动识别

    本文提出了一种基于深度学习和 Actor Relation Graph（ARG）的方法，用于高效地学习和建模多人场景中演员之间的关系，并在两个标准数据集上取得了现有最佳表现

    Apr, 2019

  • 可重构卷积神经网络实现的三维人体活动识别

    本文提出了一种基于 RGB-D 视频的自动活动识别的深度模型，使用 3D 卷积和最大池化算子，结合激活函数以及学习出活动的时间结构，该模型可以直接作用在原始输入上进行活动分类，而且还允许动态调整模型结构以适应人类活动的时间变化，并在挑战性场景下验证了该方法的优越性，同时还给出了一个大型的 RGB-D 视频人类活动数据库。

    Jan, 2015

  • 基于序列关系预测模型的群体活动预测

    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

  • 群体活动识别的深度结构模型

    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

  • 面向群体活动分析的结构化循环神经网络（SRNN）

    本文提出结构递归神经网络 (SRNN)，用于捕捉个体动作、个体间互动、以及整个群体活动。相比于之前的方法，本文使用网格池化层来解决群体中的个体数量变化的问题，同时在排球数据集上评估了两种 SRNN 变体的性能。

    Feb, 2018

  • 分层深度时间模型用于群体活动识别

    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

  • 用于活动检测的上下文多尺度区域卷积 3D 网络

    本文提出了一种用于活动检测的上下文多尺度区域卷积 3D 神经网络 (CMS-RC3D)，通过使用时间特征金字塔来表示不同时间尺度的活动实例，并在每个时间特征金字塔的级别上都学习了一个针对特定时间尺度的活动建议检测器和活动分类器，以进行更好的识别。 实验结果表明，CMS-RC3D 探测器在处理所有时间尺度范围内的活动时，仅需通过主干网络进行一次，而在 THUMOS14 数据集上比现有方法表现更好，并在 ActivityNet 数据集上实现了可比较的结果，尽管使用了浅层特征提取器。

    Jan, 2018