本研究介绍了一个新的数据集 TinyVIRAT，其中包含具有多个标签的低分辨率自然活动。为了识别这些 tiny actions in videos，我们提出了一种使用渐进生成方法来提高低分辨率动作质量的新方法。实验结果表明，在 TinyVIRAT 数据集上，我们的方法明显优于基线方法，并且在合成分辨率缩小的动作识别数据集上取得了 state-of-the-art 结果。

Jul, 2020

本研究旨在解决 Tiny Actions Challenge 实际监控场景中人类活动识别的难题，包括距离影响和类别不平衡等方面，提出了一种综合解决方案。该方案主要引入数据平衡、双分辨率蒸馏框架和模型集成等方法，其中模型集成效果显著优于其他算法，取得领先成绩。

Sep, 2022

本论文提出了一种从极低分辨率视频（如 16x12）中识别人类活动的方法，既能够分析偏远地区的活动，同时也能实现隐私保护识别。我们设计了一个新的两流多 - Siamese 卷积神经网络，能够显式捕捉低分辨率视频的内在特性。实验证明，我们的方法优于之前的低分辨率识别方法，并且在两个公开的标准数据集上具有显著的优势。

Aug, 2017

第三届 ActivityNet 大型活动识别挑战，旨在识别用户生成视频中的日常生活、高层级、目标导向的活动，并且探寻视觉内容与人类说明之间的联系。

Aug, 2018

本文提出一种基于逆超分辨率（ISR）的基础方法，使用极低分辨率（例如 16x12）的匿名视频进行人类活动识别，避免侵犯隐私，实现隐私保护和辅助日常生活的矛盾目标。

Apr, 2016

本研究开发了一种低参数、模块化系统，具有快速推理能力，在有限数据集上完全可以进行训练，无需从大参数系统进行迁移学习。该系统能够准确检测并关联实际课堂视频中执行这些活动的学生，并开发了一个基于交互式 Web 应用程序来可视化长时间真实课堂视频中的人类活动地图。

Mar, 2024

本文研究了在移动设备上的视频动作识别任务，提出了一个基于 MobileNetV2 和 Temporal Trilinear Pooling (TTP) 模块的方法，使用多种模态处理压缩视频，并进行了效率测试，结果表明我们的模型在移动设备上可以实现 40FPS 的识别速度，且在模型大小和时间消耗方面表现优异。

Aug, 2019

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

该研究针对婴儿动作识别领域展开研究，介绍了一个名为 “InfActPrimitive” 的重要婴儿里程碑动作数据集，并采用专门的预处理方法对婴儿数据进行分析。研究结果显示，虽然 PoseC3D 模型在准确率上达到了约 71%，但其他模型难以准确捕捉到婴儿动作的动态特征，这凸显了婴儿动作识别领域与成人动作识别领域之间存在知识差距，并迫切需要数据高效的流程模型。

Nov, 2023

本文研究行动识别问题，结合 SlowFast 网络和 TSM 方法，在视频中提取运动特征可以使用残差帧作为输入和 RGB 帧输入模型的优秀补充，通过 3D 卷。积（SlowFast）与 2D 卷积（TSM）的组合取得更好的性能结果，以上实验均在 UCF101 中从头开始训练。

Jul, 2020