Rendered Pose based Group Activity Recognition System (RePGARS) is a deep learning-based approach that outperforms existing algorithms in group activity recognition without relying on ground truth tracking information.

Jan, 2024

本文提出了一种使用自我监督变压器网络的社交组活动识别（SoGAR）的新方法，可以有效利用未标记的视频数据，通过利用变化的帧率创建局部和全局视图来提取空时信息，并通过提取来自同一视频的对比视图的特征的自我监督目标，确保跨空时域中的特征是一致的。该方法在使用变压器模型方面具有高效性，可以沿着空时维度建模长期关系，并在三个小组活动识别基准测试中取得了最新的成果，在 F1-score，MCA 和 MPCA 指标方面超越了当前最新技术。

Apr, 2023

本文提出了一个基于骨架信息的新方法 (GIRN)，能够从中直接解释个体之间的交互。该方法将多种关系类型作为独立模块从骨骼信息中推导出来，并利用注意机制将个体不同的关系集成起来。作者在排球数据集上进行了实验，取得了竞争性的效果，提出了基于骨架的方法模拟多人交互的潜力。

Nov, 2020

本文提出一种基于 actor-transformer model 认知视频中的个人行为和组群活动的模型，并通过 2D 姿态网络和 3D CNN 等方式提供丰富的个人动态和静态信息表示，从而在公开数据集上取得了显著的效果。

Mar, 2020

本研究提出了一种新的基于 Transformer 模型的团队活动识别方法，该方法借助注意机制对部分环节进行定位与编码，再对其进行聚合以反映整个活动的完整背景和每个环节的时间演化，无需借助较强的监督方法，在两个基准测试中均表现良好。

Apr, 2022

本文提出了一种基于姿态的卷积神经网络模型，用于人体步态识别，利用肢节周围区域的动作信息和光流法提取特征，实验证明该方法的效果超过现有技术水平。

Oct, 2017

提出了 Video-Pose Network (VPN) 用于识别日常活动，该模型包含两个不同的方向：一个是通过特征层面的蒸馏将 Pose 知识转移到 RGB 中，另一个是通过注意层面的蒸馏模仿姿势驱动的注意。该模型在 4 个公共数据集上表现出了高速且具有噪声姿势的鲁棒性。

May, 2021

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

本研究提出多个模型联合训练并在测试中使用姿势感知权重的方法解决全身人物识别中的姿态变化问题。同时，使用网络对多个身体区域进行联合优化，为解决不同场景下的人物识别问题提出了新的基准测试，并证明了该方法在 PIPA 数据集中取得的高准确率。

May, 2017

本研究提出了一种基于人体姿势的卷积神经网络描述子（P-CNN），该描述子通过人类身体部位的轨迹聚合运动和外观信息，可以显著提高在 JHMDB 和 MPII Cooking 数据集上进行的人体动作识别的最新表现。

Jun, 2015