利用光子储备计算机进行高速人体动作识别
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
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