Dec, 2020

基于骨骼的动作识别的时空转换器网络

HTML
PDF
TL;DR本文提出了一种新的空时变换器网络（ST-TR），该网络利用Transformer自我注意机制对3D骨架中的关节之间的依赖关系进行建模。空间自我注意模块（SSA）用于理解不同身体部位之间的帧内相互作用，而时间自我注意模块（TSA）用于建模帧间的相关性。两个模块在两个流网络中被结合使用，对NTU-RGB + D 60和NTU-RGB + D 120上的相同输入数据优于同类基准模型。
发现论文，激发创造
  • 基于骨骼的动作识别的时空图卷积网络

    提出了一种基于空间-时间图卷积网络(ST-GCN)的骨架识别模型，该模型能够在不借助人工干预的情况下自动学习骨架在空间和时间上的表现，并且在动作识别以及泛化能力方面远优于之前的方法。

    Jan, 2018

  • 基于注意力机制的骨架动作识别算法

    本研究旨在提出一种时间和空间相结合的新方法用于解决基于骨架的动作识别中的挑战，该方法利用内存关注网络（MANs）并将时间和空间校准模块与卷积神经网络（CNNs）相结合，最终在四个基准数据集（NTU RGB + D，HDM05，SYSU-3D和UT-Kinect）上实现了最佳性能。

    Apr, 2018

  • 基于自注意力网络的基于骨骼的人体动作识别

    提出三个Self-Attention网络的变体来提取高层语义，其中将Temporal Segment Network应用于变体以获得更好的性能，通过广泛的实验评估，探索了不同配置和表现更好的方法。

    Dec, 2019

  • 基于空间和时间变换器网络的基于骨架的动作识别

    本文提出了一种基于 Spatial-Temporal Transformer 网络的骨骼姿态行为识别方法，使用自注意力机制成功提取了骨骼运动及其相关性的信息，与其他同类算法相比在多个大规模数据集上表现出更好的精度。

    Aug, 2020

  • 基于骨架的动作识别中的时空元组变换

    提出了一种新的时空元组Transformer（STTFormer）方法，该方法着重解决了现有的基于Transformer的方法不能捕获帧之间不同关节之间的相关性的问题，在两个大型数据集上的表现优于现有技术方法。

    Jan, 2022

  • 基于骨架的动作识别的向 T 时空焦点的迈进

    该研究提出了一种基于骨架的动作识别框架，利用空间-时间梯度来聚焦相关的空间-时间特征，并利用可学习的梯度增强和实例依赖邻接矩阵建立高阶空间-时间动态模型，并通过基于梯度的空间-时间注意力来指导分类器去关注何时以及何处，以优化堆叠的STF模块，该方法在几个数据集上呈现出具有竞争力的结果。

    Feb, 2022

  • 无监督骨骼动作学习的全局-局部运动转换器

    本论文提出了一种新的transformer模型，旨在实现对骨架运动序列的无监督学习。该模型结合了全局和局部注意机制，通过新的预训练策略，成功地学习了局部和全局的内容，并在测试中显示出了优异的性能。

    Jul, 2022

  • STEP CATFormer：基于空时有效部位交叉注意力变换器的基于骨骼的动作识别

    我们通过引入图卷积网络（GCN）和时序注意力转换器，提出了一种名为空间时序有效身体部位交叉注意力转换器的强大图卷积网络，用于骨骼动作识别和特征提取。

    Dec, 2023

  • SkateFormer：人类动作识别的骨骼时空变换器

    提出了一种名为SkateFormer的新方法，通过将关节和帧基于不同类型的骨骼时空关系进行划分，并在每个划分中进行骨骼时空自注意力计算（Skate-MSA），从而在行动识别中有选择地关注关键关节和帧，提高了效率。在各种基准数据集上进行的大量实验证明，SkateFormer优于最近的最先进方法。

    Mar, 2024

  • 基于骨骼的时空相对变换网络的人类动作识别

    本研究解决了传统骨骼基础的人类动作识别方法在长程关联理解上的局限性，提出了一种名为ST-RTR的时空相对变换模型。通过引入关节和中继节点，ST-RTR模型显著提升了对人类动作的识别能力，实验结果表明在多个基准数据集上，比标准ST-GCN方法提升了识别精度。

    Oct, 2024