该论文提出了一种离线方法,将时间模式显式地编码为不同类型的图像,即Gramian Angular Fields 和Markov Transition Fields,并使用Tiled Convolutional Neural Networks从个体GAF, MTF和GAF-MTF图像中学习高级特征,该方法的分类结果与最先进的方法相当。
Sep, 2015
本文提出了一种基于深度学习的直接运动估计方法,在缺乏大规模数据集的情况下,采用无监督学习的方式训练网络,使用光流约束作为优化代价函数,通过反向传播算法进行误差传递以优化网络,实验证明该方法在合成图像与实际图像序列中的表现都接近于当今最先进的方法。
Jan, 2016
本文提出了一种卷积神经网络用于从视频中提取密集的光流,旨在为深度架构构建潜在的模块,以允许在视频中使用运动而无需借助外部算法,通过考虑信号处理原则构建网络结构,强制“旋转不变性”,并提供一种分布式表示运动的方法。
运动表示中时间差异信息是非常重要的线索,本文采用了一阶微分速度和二阶微分加速度来分析,进而证明采用卷积神经网络中的加速度流可以有效地提高运动表示的效果。
Aug, 2016
提出了一种端到端的基于深度学习的模型,该模型使用来自不同导航模式的数据直接学习人类的运动模式,包括一个软关注机制和一种新颖的方法来预测动态轨迹,同时还考虑了场景中的静态物体存在,通过在行人轨迹数据集上的测试结果显示,可以显著优于现有的最新技术水平,也可以自然地扩展到同时处理多个移动模式。
May, 2017
本文综述了近年来在RGB-D基础上的人体运动识别中,采用深度学习方法中卷积神经网络和循环神经网络的应用,通过四类方法(基于RGB、基于深度、基于骨骼、基于RGB+D)来探讨现有技术的优缺点,特别是强调了应用于视频序列固有的时空结构信息的编码方法,以及未来的研究方向。
Oct, 2017
基于卷积神经网络和编码器-解码器结构,提出了一种新颖的人体运动建模方法,并在Human3.6M和CMU Motion Capture数据集上取得了更准确的预测结果。
May, 2018
本文探讨了建立基于单纯复形数据的神经网络体系结构。通过定义三种理想属性,即排列等变性,定向等变性和单纯感知性,我们提出了一种简单的卷积架构,用于轨迹预测问题,并展示了它在合成和实际数据集上推广性的提高。
Feb, 2021
对于轨迹数据的相似性搜索,本文提出使用ConvTraj模型,结合1D和2D卷积分别捕捉序列和地理分布特征,实现了高性能的轨迹相似性搜索,并在实验中展示了其在大规模数据集上的效果。
May, 2024
本研究解决了标准运动分析无法有效推断物体轨迹动态流的问题。通过扩展基于梯度的动态系统分析,采用拉格朗日梯度回归(LGR)从稀疏数据中估计空间梯度,该方法能够识别运动中的一致旋转区域和传输障碍。研究的主要发现是该方法可以在复杂图像序列中进行高效的动态特征分析,为进一步研究不同物体类别的运动提供了新思路。
Aug, 2024