证明基于骨架的动作识别潜力用于自动化分析手工过程
在现代工业装配线上，研发了许多智能算法来取代或监督工人。然而，我们发现在实际装配线上部署算法时，训练数据集和实时性能存在瓶颈。因此，我们开发了一种有前景的策略，利用具有强大泛化能力的大型模型来实现高效、高质量和大规模的数据集扩充，解决了工业数据集不足和质量低的问题。我们还将该策略应用于视频动作识别领域，提出了一种将手部动作识别问题转化为手部骨骼轨迹分类问题的方法，解决了工业算法的实时性能问题。在实际装配线上的 “线材插入过程中的手部动作” 场景下，手部动作识别的准确率达到了 98.8%。我们进行了详细的实验分析，展示了该方法的有效性和优越性，并在美的实际装配线上部署了整个过程。
Mar, 2024
研究报告提出了一种自我监督学习框架，结合手势估计和手势识别，用于解决手势识别在复杂场景中的困难，以提高手动组装场景下的活动识别的准确性和鲁棒性。
Jul, 2023
提出了一种结合较少详细的人体骨骼和高度详细的手部骨骼，通过使用注意力从两种骨骼类型中提取和组合重要信息的方法，以增强装配场景中的动作识别效果。
Jul, 2023
本文探讨了如何将目标物体信息融入基于骨架的行为识别，以提高人员 - 机器人协作的效率和智能化水平，并在 IKEA ASM 数据集的实验中证明了该方法能够提高目前先进方法的性能。
Jun, 2023
本文探讨了基于自监督学习的骨骼动作识别中的表征学习问题，提出了一种多任务自监督学习的方法，包括运动预测、拼图识别和对比学习等方法。实验表明该方法在不同配置下的动作分类器上表现出优异的性能。
Oct, 2020
我们提出了一种新颖的无监督骨架动作识别系统，该系统基于编码器 - 解码器递归神经网络，可以无需提供任何标签或摄像头深度输入，并可在各维度的身体关键点（2D 或 3D）和附加提示描述移动的情况下操作，并将其与最新的无监督骨架方法进行比较。方法表现出更好的交叉视图性能，且与有监督骨架动作识别表现相似。
Nov, 2019
通过应用机器学习解决方案来对骨骼视频进行运动评估已经在近年来吸引了大量的研究关注。本研究首次综述了骨骼运动评估中的反馈生成，并讨论了未来的研究方向。
Apr, 2024
本研究提出了一种基于迁移学习的方法，通过使用大量来源于基于物理的流程模型的计算廉价的数据进行 ML 模型训练，然后在少量代价昂贵的实验数据上进行微调，从而降低了新工艺过程物理模型开发的高成本，并且该方法在 Fused Filament Fabrication 的印刷线宽建模中表现良好，减少了模型开发时间、实验成本、计算成本和预测误差。
Apr, 2023
本文提出了一种基于卷积神经网络的框架用于骨骼动作识别，通过自动选择重要的骨骼节点和提取时间段提案进行动作分类和检测， 在 NTU RGB + D 数据集上获得了 89.3％的验证准确性和 93.7％的 mAP。
Apr, 2017