本文提出一种基于佩戴式传感器生成的时间序列数据的水果采摘者活动检测应用。通过使用人体活动识别以及机器学习方法检测袋子倒空事件，以便实现对采摘装置的管理并减少水果在室外暴露时间。测试结果显示，所提出的深度卷积神经网络可以在真实数据集上达到 86% 的检测准确率。

Apr, 2023

该研究提出了一种新的框架，将两种不同的卷积神经网络结构相结合，以在模拟环境中同时完成作物检测和收获（机器人操控）任务。利用机器视觉实现作物自动识别，提高收获效率，但仍面临挑战。通过随机旋转、裁剪、亮度和对比度调整来生成增强图像以进行数据集生成。使用一次性算法框架进行作物定位，以及使用视觉几何组模型来确定机器人操控的抓取位置。

Jan, 2024

该论文提出了一种迁移学习方法，用于识别建筑工人的活动，需要比较少量的数据和计算时间，同时具有较好的分类准确性。研究表明，该方法可以在建筑领域中鲁棒地识别活动，对协作机器人的广泛应用具有重要意义。

Aug, 2023

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

本文针对以减少除草剂使用量为目标的精准农业机器人的需要，提出了一种利用 RGB 数据进行基于 CNN 的作物分割和背景分类的方法，该方法利用植被指数实现实时分类，并且通过少量训练数据，可以在陌生的地块上进行有效的重新训练。在德国和瑞士的不同领域进行了实地测试，结果显示该系统的泛化能力很好，可在约 20Hz 的速度下进行在线操作，适合实际的农业生产。

Sep, 2017

该论文提出了一种利用卷积神经网络进行作物排检测的算法，可以在农田环境中应对各种变化，仅使用 RGB 图像作为输入，并在可视伺服算法中获得更好的性能表现。

Sep, 2022

移动服务机器人通过对人类行为的识别和跟踪，实现了对人类行为的理解和响应，主要依赖于人类行为识别和边缘计算处理的效果良好的模型。

Dec, 2023

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

该研究论文通过调查机器学习技术在视频分析领域的发展情况，总结了用于人体活动识别的最流行的深度学习方法，其中涵盖了不同于由多个参与者在长时间内执行多个活动支配的现实数据集的标准数据集，介绍了在成功检测到相关对象后，通过训练仅用于检测单一活动的低参数模型（参数数量减少了 200X 或者 1,000X）的使用。然后，该研究论文总结了专门用于处理少量标记视频样本的机器学习方法，目的是描述现代技术，以减少用于训练和测试视频分析系统所需的基本真实数据量，该部分还包括无监督学习、半监督学习、主动学习和零样本学习在视频分析应用中的发展，以及每种方法的代表性例子。

Dec, 2023

使用 CNN 技术结合计算机视觉方法对葡萄园中的葡萄簇进行检测、分割和跟踪，为农业和环境应用的传感组件的开发提供了一种可复制的检测，培训，评估和跟踪农业模式的图像的方法。

Jul, 2019