Mar, 2024

基于时空邻近感知的全景活动识别双通道模型

PDF
TL;DR全景活动识别 (PAN) 旨在在拥挤的全景场景中识别多样化的人类活动，从个体动作到社交群体和全球活动。为了解决 PAN 面临的两个主要挑战，我们提出了基于社交接近度感知的双通道网络 (SPDP-Net)。该网络基于两个关键设计原则：首先，考虑个体之间的时空接近度，对于正确理解社交动态来说至关重要；其次，引入双路径架构进行多粒度活动识别，其中包括个体到全球和个体到社交的路径，通过多层次通过全局和局部上下文相互强化彼此的任务。通过大量实验证明了个体之间的时空接近度和双通道架构在 PAN 中的有效性。此外，SPDP-Net 在 JRDB-PAN 数据集上取得了 46.5% 的整体 F1 分数，达到了新的最先进的性能水平。
panoramic activity recognitionsocial proximity-aware dual-path networkspatio-temporal proximitymulti-granular activity recognitionstate-of-the-art performance
发现论文，激发创造
  • 全景人类活动识别

    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

  • AdaFPP: 面向适应性活动识别的双向传播原型学习

    通过学习适应不同尺寸的被遮挡人员的检测器并采用多粒度原型作为假设任务的方式，我们提出了一种名为 AdaFPP 的全新的自适应聚焦双向原型学习框架，用于在全景活动场景中联合识别个体、群体和全局活动。

    May, 2024

  • 动态时间金字塔网络：更深入地研究多尺度建模用于活动检测

    本文提出了 “动态时间金字塔网络”（DTPN）来解决活动检测领域中的主要挑战，包括如何有效应用多尺度架构以及如何处理活动实例的固有时间尺度变化。通过将多种新设计结合为统一网络，实现了单次推理和端到端训练，从而取得了状态的最佳性能。

    Aug, 2018

  • PALMAR：基于点云技术的适应性多居民活动识别

    本文介绍了使用点云数据技术和机器学习技术实现的多居住者活动识别系统 PALMAR，该系统采用了分特征呈现的实时 PCD 微调方法、高效聚类技术、自适应多人追踪、区分多义歧义并提高识别准确性的领域自适应技术等多种创新技术，能够在多人场景中显著提高多人追踪准确率，且效果令人满意。

    Jun, 2021

  • Dual-AI: 面向团体活动识别的双路演员相互作用学习

    提出 Dual-path Actor Interaction (DualAI) 框架和 Multi-scale Actor Contrastive Loss (MAC-Loss) 方法，通过可灵活布置空间和时间转换器、自监督 actor 一致性、二交互路径的 Multi-scale Actor Contrastive Loss (MAC-Loss) 等手段，增强演员之间的关系，并通过融合不同演员的特征来提高群体活动识别的性能。在多个数据集上的实验表明，该方法具有很好的推广能力，在有限监督的情况下仍能取得最先进的性能。

    Apr, 2022

  • 基于邻近交互的多人环境活动识别中传感器激活的区分

    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

  • 基于时空动态推理网络的群体活动识别

    本研究旨在实现对人群活动的识别和研究，通过提出具有动态关系和动态行走模块的动态推理网络（DIN）来实现时空人员特定推理，从而形成人员特定的交互图，并在两个常用数据集中取得了相对于先前最先进方法的显著进展，而推理模块的计算开销要少得多。

    Aug, 2021

  • 时空动作图网络

    提出了一种基于解离图嵌入的物体相互作用图形表示，用于活动识别，该模型通过事实嵌入图结构来解开空间维度与时间变化之间的表示层次结构，并在 Charades 活动识别基准测试以及聚焦于与近碰撞事件的多物体交互的新数据集上进行了验证。

    Dec, 2018

  • 多智能体注意力活动识别

    通过多智能体空间时间关注模型，智能选择观测到的信息和关联的运动方式来完成并优化活动识别任务。在四种真实世界数据集上的实验结果表明，该模型优于现有的方法。

    May, 2019

  • 基于半径边界的的深度结构化三维人体活动识别模型

    本文探讨了一种新型深度结构模型，它可以通过卷积神经网络自适应地将活动实例逐个分解为时间部分，将其进一步分配到深度体系结构的零部件中，有效解决了人类活动识别方面的挑战，此方法已在多种拥有复杂情境的实验中得到了验证。

    Dec, 2015