Feb, 2022

HAKE: 人类活动理解的知识引擎基础

PDF
TL;DR该论文提出了一种新的方法来解决人类活动理解中的图像识别问题，该方法包括将像素映射到原子活动原始空间内，然后利用可解释的逻辑规则进行语义推理。该方法获得了很大的改进和成功，并且在当前研究领域有着广泛的应用。
human activity understandingdeep learningatomic activity primitivesintermediate spacesemantic inference
发现论文，激发创造
  • HAKE: 人类活动知识引擎

    通过人体部位状态建立大规模的人体活动知识引擎（HAKE），提出了基于 HAKE 的部位状态识别模型，并且证明了这种方法能够提高模型在人 - 物互动识别和一次性子集上的表现。

    Apr, 2019

  • 复杂人类活动识别的深度学习精准性背后

    人类活动识别（HAR）是一个经过研究的领域，研究始于 20 世纪 80 年代。本文通过对数据的多样性和模型的容量等因素进行系统研究，全面梳理现代深度学习方法在识别复杂 HAR 时存在的准确性问题，并提出了潜在的研究方向。

    Apr, 2024

  • 建模标签语义提升活动识别

    本论文提出了一个基于序列到序列的神经网络框架，以学习共享活动标签名称的语义，而不是将标签仅视为整数 ID，这有助于提高人类活动识别的性能。该方法将学习活动分解为学习共享标记，通过在七个基准人类活动识别数据集上的广泛实验表明其优于现有方法。

    Jan, 2023

  • PaStaNet: 面向人类活动知识引擎

    本研究提出了一个新的路径，通过首先推断人体部位状态，然后基于部位级语义推理出活动，以此构建人类活动知识引擎，利用人类身体部位状态（PaSta）和大规模知识库 PaStaNet，采用两种模型 Activity2Vec 和基于 PaSta 推理的方法，在监督和转移学习中显著提高了表现。

    Apr, 2020

  • HAPRec: 混合式活动与计划识别

    通过混合使用动作识别模块和目标识别算法，本文实现了室内环境下的活动识别，以确定视频主体追求的最终目标。

    Apr, 2020

  • 如何理解视频中的人类行为所需的行动？

    这篇论文分析了当前视频中人类活动理解的研究现状和未来方向，探讨了数据集，评估指标，算法和未来发展方向，并提出需要掌握的信息以实现活动理解的重大进展。

    Aug, 2017

  • 关于生成式基础模型对人类活动识别的好处

    通过生成式人工智能从文本描述中自动生成虚拟 IMU 数据，人类活动识别（HAR）领域能够解决有限标注数据的问题。此外，还探讨了生成式人工智能在生成基准数据集、特定于 HAR 的模型开发、HAR 中的层次结构探索、复杂活动分解以及健康感知和活动总结等领域有着前景的研究方向。

    Oct, 2023

  • 基于传感器的人体姿态感知的机器学习技术研究及数据异质性综述

    通过分类数据异构类型、应用相应的适合的机器学习方法、总结可用的数据集并讨论未来的挑战，本论文探讨了机器学习如何解决人体活动识别中的数据异构问题。

    Mar, 2024

  • 视频中的对象级视觉推理

    本文讨论了利用深度学习模型进行人类活动识别研究中的挑战，并提出了一种基于对象感知网络的模型，以实现对视频中的语义意义的时空交互的推理，从而在三个不同的数据集上取得了最先进的结果。

    Jun, 2018

  • 基于逻辑编程的活动识别方法

    使用事件演算法识别基于视频内容的短期活动，进而推断长期预定义活动的系统及其详细评估结果。

    May, 2009