HAPRec: 混合式活动与计划识别
本文提出了一种用于视频监控应用的自动识别人类活动的方法,将活动表示为类别组件的组合,并且提出了一种 Confident-Frame-based Recognition 算法来提高识别精度,该算法将高置信度的视频帧用作专门的局部模型来帮助分类其余的视频帧,实验结果表明了该方法的有效性。
Feb, 2015
通过学习传感器之间的显式共同触发关系,我们提出了一种新颖的图导向神经网络方法,该方法通过将离散的输入传感器测量映射到特征空间,应用注意机制和节点嵌入的分层汇聚,在 CASAS 数据集上进行实验证明了我们提出的方法在智能家居人体活动识别方面优于现有方法,并将其推向更接近真实世界应用的方向。
Nov, 2023
本文提出了全景人体活动识别(PAR)问题,介绍了基于层次图神经网络的解决方法,并建立了 benchmark 数据集。实验验证了所提出问题,算法和 benchmark 的合理性和有效性。
Mar, 2022
对话式目标识别框架(Dialogue for Goal Recognition)通过询问关于噪声传感器数据和次优人类行动的澄清问题,使机器人能够纠正其对人类进展的信念,评估了 D4GR 在厨房和堆积领域的性能,结果显示 D4GR 框架在目标准确性方面比 HTN 高出 1%,在计划准确性方面比 HTN 高出 4-2%,比始终询问的预测模型在目标识别和计划识别方面表现更好,且比基线少问了 68% 的问题,文章还在厨房领域展示了一个真实世界机器人情景,验证了 D4GR 在现实环境中改进的计划和目标识别能力。
Oct, 2023
本文提出一种基于场景图,利用图像序列提取关键交互特征并编码动作模式和上下文的方法,同时引入基于事件的自动视频分割和聚类,成功地实现了识别手 - 物体和物体 - 物体交互,并匹配不同受试者执行的同一活动。
Apr, 2023
本文研究了两种先进的基于计划的计划识别方法在现实环境中的应用。我们发现这些方法在识别人类行为目标时存在困难,因为人类行为通常不是完全理性的。为了克服这个问题,我们提出了一种通过分类方法进行扩展的方法,该方法通过训练观察行为数据,不仅优于完全基于计划的和纯数据驱动的目标识别方法,而且能够更可靠地识别正确目标,特别是当只看到少量观察时,这大大提高了混合目标识别方法在智能辅助系统中的实用性。
Jan, 2023