Mar, 2020

信号提取：多模态活动识别中的判别信号编码

PDF
TL;DR该研究提出了一种支持多种传感器模态的简单、有效和灵活的动作识别方法，将多元信号序列编码成图像，并使用最近提出的 EfficientNet CNN 架构进行分类，实验结果表明该方法在多个数据集上的表现均优于目前的激光雷达数据集识别方法。
action recognitionsensor modalitiescnn architecturemultivariate signal sequencesmodality fusion
发现论文，激发创造
  • SL-DML: 用于多模式单次动作识别的信号水平深度指标学习

    使用度量学习方法，将我们提出的一种基于信号级别的解决方案编码成图像并提取特征，通过三元组损失学习特征嵌入，进而在嵌入空间的最近邻搜索中解决行为识别问题，并在 NTU RGB + D 120 数据集上取得了比基准方法更好的性能，还能够很好地泛化到其他数据集上。

    Apr, 2020

  • 使用 3D 卷积神经网络学习红外动作识别的时空特征

    该研究提出了一种新的基于两个流的 3D 卷积神经网络体系结构，使用光流场序列处理红外图像，应用于红外动作识别（InfAR）数据集，实验结果表明我们的方法在 InfAR 数据集上可以获得最好的平均精度（AP）表现。

    May, 2017

  • 多路动作建模和互信息最大化的动作识别

    本文通过提出一种加速度表示，引入新颖的流式图卷积神经网络以及特征级监督，提高了行动识别的精度并在三个基准数据集上实现了新的最佳性能。

    Jun, 2023

  • 利用惯性传感器的多域多模态融合人体动作识别

    本文提出了一个多域多模态融合框架，利用卷积神经网络和规范相关融合来提取不同域的特征以识别多重动作，并将输入惯性数据转换为信号图像进行处理，并在三个惯性数据集上得到了比现有文献更准确的结果。

    Aug, 2020

  • 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

  • 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

  • 模态补偿网络：用于动作识别的跨模态自适应

    本文提出一种 Modality Compensation Network（MCN）用于 RGB-D 摄像机采集的视频中的人类动作识别。该网络通过深度 CNN 和 LSTM 网络构建，使用骨骼作为辅助模态来提取源模态的更具有区分性的特征，并通过调整适应性表示学习，以弥补测试时甚至是训练时骨架的信息损失。实验结果表明，在四个广泛使用的动作识别基准测试上，MCN 优于现有的最佳方法。

    Jan, 2020

  • 基于视觉与惯性传感器数据的新型二流决策级融合技术，用于自动多模态人类活动识别系统

    本文提出了一种新颖的多模态人体活动识别系统，并使用了两种流的决策级融合来融合视觉和惯性传感器的信息，通过此方法准确率远高于现有的最先进方法。

    Jun, 2023

  • RGB+D 视频中的行为识别深度多模态特征分析

    本文提出一种新的深度自编码器共享特定特征分解网络，将多模态信号分解成一系列组件，进而结合特征结构提出了一种结构化稀疏学习机以获得更好的分类性能，实验证明该方法在动作识别方面最先进。

    Mar, 2016