Jul, 2019

SkeleMotion：基于动作信息的骨骼关节序列新表示方法用于 3D 动作识别

PDF
TL;DR提出了一种名为 SkeleMotion 的骨骼图像表示法，能够更好地捕捉行为中所涉及的长程关节交互和过滤杂乱运动值，并在 NTU RGB+D 120 数据集上优于现有技术，在 3D 人体动作识别方面取得了成功。
发现论文，激发创造
  • Skepxels: 人体骨架关节的时空图像表征用于动作识别

    通过使用 Skepxels 对骨骼序列进行空间和时间表示，利用 CNN 的 2D 卷积核来完全发挥它们之间的局部关系，通过使用一种独特的距离度量来获取面部关节的丰富的空间和时间信息，再将其用于人体活动识别，取得了比现有研究更好的结果。

    Nov, 2017

  • 一种用于三维动作识别的骨架序列新表示方法

    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

  • 基于树结构和参考关节点的三维动作识别骨架图像表示

    这篇文章介绍了一种针对 3D 人体动作识别领域的改进型骨架图像表示方法 ——Tree Structure Reference Joints Image（TSRJI），并运用于卷积神经网络，实现了最新数据集 NTU RGB+D 120 上的最优结果。

    Sep, 2019

  • 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

  • 基于关节轨迹地图和卷积神经网络的动作识别

    本文提出了一种使用 Joint Trajectory Maps（JTM）表示三维骨架序列中的时空信息的方法，然后使用 ConvNets 学习人体动作识别的判别特征，并通过多个 JTM 的评分融合来改善最终识别结果，实验结果表明该方法在多个公共基准数据集上均取得了最先进的结果。

    Dec, 2016

  • 使用骨架一致性从单目视频中重建 3D 人体运动

    MotioNet 是一种用于从单眼视频中重建 3D 人体骨骼运动的深度神经网络，通过嵌入运动先验信息的深度神经网络将 2D 关节位置序列分解为对称骨骼和与全局根位置和足接触标签相关联的 3D 关节旋转序列，并在 3D 位置上应用正向运动学，使用敌对损失确保恢复的旋转速度处于自然关节旋转曲面上的关键优势使其能够直接从训练数据中学习到自然的关节旋转。

    Jun, 2020

  • 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

  • 基于骨骼的动作识别的双流三维卷积神经网络

    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

  • 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