Jul, 2019

基于骨架的动作识别模型的优化：更小、更快和更好

PDF
TL;DR在骨架动作识别领域，提出了一种双特征双运动网络 (DD-Net)，其采用轻量级网络结构，利用鲁棒性特征，在 SHREC 和 JHMDB 数据集上实现了最先进的性能表现。
skeleton-based action recognitiondd-netlightweight network structurerobust featuresstate-of-the-art performance
发现论文，激发创造
  • 基于卷积神经网络的基础动作识别

    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

  • 基于骨架的多粒度时空图神经网络学习用于动作识别

    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

  • 使用深度神经网络对动作捕捉序列进行分类和可视化

    本研究提出了一种基于深度神经网络的姿态识别系统，使用相对关节位置、时间差和规范化运动轨迹等简单但有效的特征对骨架数据进行特征提取，并采用深度自编码器对特征进行可视化，测试结果表明，该深度神经网络能够捕获到比主成分分析更具有区分性的信息，同时在 65 类、超过 2000 个动作序列的公共数据库上取得了 95% 以上的准确率，是目前这类大型数据集的最佳表现。

    Jun, 2013

  • 基于三维骨架的行为识别学习方法调查

    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

  • 基于骨架的动作识别：构建更强更快的基准线

    研究了基于骨架动作识别中如何提取骨架联结的区分特征所面临的问题，提出了一种基于图卷积网络的高效的 GCN 基线。通过提出的复合扩展策略，在 NTU RGB+D 60 和 120 数据集上，其 EfficientGCN-B4 基线性能超越其他 SOTA 模型，且模型规模更小、训练速度更快。

    Jun, 2021

  • AdaSGN：适应联合数量和模型大小的高效骨骼动作识别

    本研究提出了一种名为 AdaSGN 的新方法，可以通过在运行时自适应地控制骨架节点输入数量来降低推断过程的计算成本。此外，它还可以自适应选择每个样本的最佳模型大小，以在准确性和效率之间实现更好的平衡。实验结果表明，与基线方法相比，AdaSGN 在 NTU-60，NTU-120 和 SHREC 三个数据集上实现了更低的 GFLOPs，同时实现了可比甚至更高的性能。

    Mar, 2021

  • 基于骨骼的动作识别再探讨

    本文提出了基于 3D 热力图堆叠的 PoseC3D 方法，相较于基于图卷积网络的方法，能够更有效地学习时空特征、更具鲁棒性，并且适用于多人场景，同时在处理过程中也更加易于与其它视觉模态进行结合。在四个具有挑战性的数据集中，PoseC3D 方法均取得了卓越表现。

    Apr, 2021

  • 基于 CNN 的 3D 动作识别中不同骨架特征的研究

    本文介绍了一种基于深度学习和骨骼信息的动作识别方法，该方法采用 CNN 代替 RNN 进行空时信息的提取和处理，将五种空间骨骼特征编码为图像并有效提高了 3D 人体动作分析的精度。

    May, 2017

  • 基于运动特征增强循环神经网络的基于骨架的动态手势识别

    本文提出了一种基于骨架的动态手势识别新运动特征增强的循环神经网络，该算法通过双向循环神经网络将动作特征与骨架序列结合起来，从而在识别手势时提高了准确性。

    Aug, 2017

  • 基于骨架的动作识别：使用平移尺度不变性图像映射和多尺度深度卷积神经网络

    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