智能家居中的婴儿身体安全监测系统
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
该论文提出了两种基于 CNN 的体系结构,包括三种流,可以分别捕捉不同速率的空间和时间信息,并使用双向 LSTM 和注意力机制进一步提高模型性能,实现了人类动作识别任务的最先进表现。
Apr, 2021
本论文提出了一种通过将循环神经网络和卷积神经网络相结合运用于动作识别的算法,通过 SVM 对特征进行分类,实验结果表明,在标准数据集上,该算法提高了 14% 的识别率。
Mar, 2017
通过对深度学习模型的全面分析,这项研究揭示了卷积神经网络、循环神经网络和两流卷积神经网络在人体动作识别中的优势和性能差异,并强调了综合模型在实现强大的人体动作识别方面的潜力和优化的研究方向。
Mar, 2024
该研究使用 3D 骨架数据和卷积神经网络 (CNN) 和长短期记忆 (LSTM) 方法进行 3D 人体行为分析,证明 CNN 和 LSTM 的分数融合方法可以更有效地捕获空间 - 时间信息,并在 NTU RGB+D 数据集上取得了最先进的结果,在深度视频中的大规模 3D 人体动作分析挑战中排名第一。
Jul, 2017
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
本文探讨了基于深度学习的两种方法 —— 单帧卷积神经网络和卷积长短时记忆,以实现从视频中识别人类行为,同时在 UCF50 数据集和实验数据集上对两个模型进行了评估,结果表明单帧 CNN 模型的准确性优于卷积 LSTM 模型。
Apr, 2023
通过利用多模态视频数据,并提出使用两种方法来识别人类行为,包括使用卷积模型处理姿势流,由可调节关注机制控制图片流,最后经过 LSTM 神经网络对不同姿态下的处理进行特征提取,能够在多数据集上大幅度的提高人类行为识别的效果。
Mar, 2017
在本研究中,我们提出了一种使用计算机视觉和深度学习方法进行实时智能检测和预测受试者行为的方法,该方法利用 OpenPose 作为准确的受试者检测器,并使用 AlphAction 的异步交互聚合网络来预测受检测到的受试者的动作,该集成模型名为 PoseAction,并基于 NTU RGB+D 和 NTU RGB+D 120 数据集训练模型以识别病房区域的常见动作,同时实现了实时模式和面部模糊功能以保护病患和医护人员的隐私。
Oct, 2023