本文提出了一种新的方法，使用良好特征和迭代光流算法来计算特征向量，并使用多层感知器（MLP）网络进行分类，最终通过优化多层感知器网络的各种参数来提高系统准确性，从而解决了实时识别与跟踪人类动作的问题。

Aug, 2017

光子储水池计算作为加速时间序列预测的硬件实现需求的最新技术，已被广泛运用，然而在预测混沌时间序列方面，传统的储水池计算模型在准确性方面存在一定局限性，因此我们引入了一种注意力机制，用于增强储水池计算模型输出阶段的预测准确性，实验结果表明，采用注意力机制的光子储水池计算能够提高较小储水池的预测能力，这些进展凸显了储水池计算在准确预测混沌时间序列的实际应用中的变革性可能性。

Dec, 2023

该论文综述了计算机视觉和机器学习在视频分析任务中的应用，重点介绍了动作识别和预测两个领域的现有技术、算法、数据集、评价标准及未来发展方向。

Jun, 2018

本调查综述了过去几年中在人类行为识别方面的最新进展，该领域的主要研究领域包括计算机视觉、视频监控、人机交互和视频检索。

Jan, 2015

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

本文对计算机视觉中各种动作识别和检测算法进行全面的回顾和分析，探讨了一个典型动作识别和检测算法的两个步骤：特征提取和编码以及将特征分类为动作类别。同时，本文讨论了如何使计算机视觉算法能够像人类一样识别动作，解决了一些未解决的问题。

Oct, 2016

本篇论文研究了基于视频的人体行为识别任务，通过比较现有的深度学习框架（尤其是视频动作识别的表现）和机器学习框架，提出了多项新颖的研究方案。

May, 2023

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。

Sep, 2022

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

本文全面回顾了人类动作识别领域的先驱方法和基于深度学习的方法，展望了该领域未来的新研究方向。

May, 2016