CVPRMar, 2020
深度学习是否可以识别微妙的人类活动？
Can Deep Learning Recognize Subtle Human Activities?
Vincent Jacquot, Zhuofan Ying, Gabriel Kreiman
TL;DR本研究提出了一种新的通过行为分类进行计算机视觉算法性能提高的方法，并且通过消除数据集的混杂因素来比较人类和计算机视觉性能，表明当前计算机视觉算法的性能还有待提高。
Abstract
deep learning has driven recent and exciting progress in computer vision,
instilling the belief that these algorithms could solve any visual task. Yet,
datasets commonly used to train and test →
发现论文，激发创造
动作识别：从静态数据集到移动机器人
通过利用 “提议（proposals）” 方法生成行为区域的模型训练，能够在无约束视频中实现人的行为识别，无论是否存在摄像头运动；该方法在两个新的数据集中取得了超越最先进技术的性能，同时在异常行为检测场景中取得较高的成功率。
Jan, 2017
视频数据中人类行为识别的深度学习方法
通过对深度学习模型的全面分析，这项研究揭示了卷积神经网络、循环神经网络和两流卷积神经网络在人体动作识别中的优势和性能差异，并强调了综合模型在实现强大的人体动作识别方面的潜力和优化的研究方向。
Mar, 2024
应用驱动的人类动作识别 AI 范式
本文提出了一个可适用于多种应用场景的人体动作识别框架，包含多形式人体检测和对应动作分类两个模块。其中，通过构建开源数据集来训练多形式人体检测模型，从而识别人的整体、上半身或部分身体，并采用动作分类模型来识别跌倒、睡觉等动作。实验结果表明，该框架对于各种应用场景都是有效的，是一种新的面向应用的人体动作识别 AI 范式。
Sep, 2022
使用深度学习方法和单帧 CNN 及卷积 LSTM 进行人类活动识别
本文探讨了基于深度学习的两种方法 —— 单帧卷积神经网络和卷积长短时记忆，以实现从视频中识别人类行为，同时在 UCF50 数据集和实验数据集上对两个模型进行了评估，结果表明单帧 CNN 模型的准确性优于卷积 LSTM 模型。
Apr, 2023
基于人体姿势的深度学习估计、跟踪和动作识别：综述
该论文综述了基于深度学习的姿势分析应用，包括姿势估计、姿势跟踪和动作识别，并讨论了现有技术的优势和局限性，重点介绍了将这三个任务整合到视频序列的统一框架中的方法，并探讨了相关挑战和未来研究方向。
Oct, 2023
端到端学习对于健身活动识别是否足够？
通过一项健身活动视频的完全标注数据集，本文证明了基于原始像素的端对端学习方法可以与基于姿势估计的先进动作识别软件管道媲美，并且可以支持实时的重复计数等具有时间细粒度的任务。
May, 2023