借鉴邻居:通过协作提高活动识别
本文提出了一种用于视频监控应用的自动识别人类活动的方法,将活动表示为类别组件的组合,并且提出了一种 Confident-Frame-based Recognition 算法来提高识别精度,该算法将高置信度的视频帧用作专门的局部模型来帮助分类其余的视频帧,实验结果表明了该方法的有效性。
Feb, 2015
本文提出了针对多占用环境基于接近交互的传感器激活辨识计算机模型,利用 UWB 和二进制传感器进行了案例研究,可用于经典的 HAR 模型降低多占用问题的复杂度。
Nov, 2022
本研究提出了一种新的基于 Transformer 模型的团队活动识别方法,该方法借助注意机制对部分环节进行定位与编码,再对其进行聚合以反映整个活动的完整背景和每个环节的时间演化,无需借助较强的监督方法,在两个基准测试中均表现良好。
Apr, 2022
该论文介绍了一种无监督方法,通过基于人类活动的特性将人类活动投射到一个嵌入空间中,在该空间中相似的活动会紧密地聚集在一起,从而帮助聚类算法实现对人类活动的识别和分类,相较于直接应用于原始数据集的非监督技术,我们的方法在识别和分类潜在人类活动方面取得了更好的性能。
Jul, 2023
在计算机视觉领域,团体活动识别是一个热门话题。通过对团体关系进行活动识别,在视频分析、监控、自动驾驶和理解社交活动等各种场景中具有实际意义。本文综述了团体活动识别技术的现有研究进展,重点关注全局交互性和活动。首先,全面回顾了相关文献和各种团体活动识别方法,从传统方法到基于空间结构、描述符、非深度学习、分层循环神经网络(HRNN)、关系模型和注意机制的最新方法。其次,针对每个模块提出了关系网络和关系架构。第三,调查了团体活动识别的方法,并将其性能与最先进的技术进行了比较。总结了现有的挑战,并为新手提供了全面的指导,以便理解团体活动识别。此外,还回顾了团体活动识别中的新视角,探索了新的方向和可能性。
Jul, 2023
研究了使用机器学习对移动对象的活动进行分类的问题,并提出了一种半监督的机器学习方法,该方法通过将轨迹分段并自动标记,最后训练基于卷积神经网络的深度学习分类模型来实现高精度分类,此方法已在一个三轮车装配车间的数据集上进行了评估。
Jan, 2023
通过学习传感器之间的显式共同触发关系,我们提出了一种新颖的图导向神经网络方法,该方法通过将离散的输入传感器测量映射到特征空间,应用注意机制和节点嵌入的分层汇聚,在 CASAS 数据集上进行实验证明了我们提出的方法在智能家居人体活动识别方面优于现有方法,并将其推向更接近真实世界应用的方向。
Nov, 2023
本文提出了全景人体活动识别(PAR)问题,介绍了基于层次图神经网络的解决方法,并建立了 benchmark 数据集。实验验证了所提出问题,算法和 benchmark 的合理性和有效性。
Mar, 2022