Advancements in deep neural networks have contributed to near perfect results
for many computer vision problems such as object recognition, face recognition
and pose estimation. However, human action recognition
本文研究无人机低成本、快速移动的优点,为了解决训练空中人类行为视频数据成本高、费时、难度大的问题,探索使用两个替代数据源,即视频游戏和生成式对抗性网络来提高分类精度,并利用分离多任务学习框架将两个数据集集成,提出了一种用于改善空中行动识别的方法,其结果表明,视频游戏的影像和 GAN 生成的影像是非常有用的,能够在只有少量实际训练样本的情况下显著提高空中行动识别的准确度。
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。