【行为识别综述准备】

最新推荐文章于 2025-04-06 12:48:57 发布
最新推荐文章于 2025-04-06 12:48:57 发布
阅读量3.8k 收藏 33
点赞数 7
分类专栏： HumanActionRecognition
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/Amazingren/article/details/101954543
版权
这篇博客介绍了3D骨架行为识别的研究进展，包括基于CNN、混合方法和RNN的解决方案。文章列举了一系列论文，强调了将骨架数据转换为图像、使用图卷积网络以及结合多模态信息的重要性。通过对不同方法的探讨，展示了如何通过骨架信息进行行为识别，特别是在处理遮挡和跨视图情况下的挑战。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

前面：自己整理下面的东西出来后，觉得有点意思，当时就总结出来了一篇很水的综述论文，发表肯定发表不了，纯属锻炼写作的，博大家一乐。

论文题目：A Survey on 3D Skeleton-Based Action Recognition Using Learning Method
链接：https://arxiv.org/abs/2002.05907链接

首先，以后工作可以考虑一下基于图卷及的行为识别今年很多，且在数据集上性能领先。
如下图所示：
在这里插入图片描述

应用场景：
  1. 【2019】Skeleton-based Action Recognition of People Handling Objects 【论文】
  • recognizing object-related human actions
  • 偏向于应用场景
  • 通过构建skeletion-graph 利用了图卷积
    在这里插入图片描述

CNN-Based：

  1. 【2019】SkeleMotion: A New Representation of Skeleton Joint Sequences Based on Motion Information for 3D Action Recognition【论文】 【代码】
  • Skeleton -> Image
  • 偏向于方法
  • 3D 行为识别
  • CNN方法
  • NTU RGB+D 120 dataset
  • skeleton image representation 重要！！！对骨架序列进行编码，进一步表示，高效表示，skeleton->Image，有点像师兄的思路！

在这里插入图片描述在这里插入图片描述
2. 【2019】Three-Stream Convolutional Neural Network With Multi-Task and Ensemble Learning for 3D Action Recognition【论文】

  • 数据集：NTU RGBD
  • 3D 行为识别
  • 思路：三个stage
  • 偏向于方法,网络结构上的创新！
  • 多任务学习
    在这里插入图片描述
    此外他还有一篇文章是考虑了频域信息进去的，结构差不多
    如下，主要讲当前的方法都是异步学习语义信
最低0.47元/天 解锁文章
人体行为识别研究综述
weixin_70923796的博客
12-24 1370
改进网络的学习特征表示、多信息流的正确组合、针对过拟合问题的数据增强方案等都是研究人员对于双流网络改进的探索。）时域信息的复杂性：环境光照变化、背景场景变化、视角切换变化、相机移动、运动方向改变、人物几何特征改变、大动作变化尺度和时间、人物变化时序维度等问题。处理、连续帧的选择与相关性描述、网络选择、双流融合方式、训练方式与规模等都可以选择不同的方案以达到更好的识别效果。人体行为识别技术仍然受到物体之间的遮挡、噪声、环境的光照、相机移动、算法鲁棒性的影响。然而全面的大规模的应用行为识别仍然有很长的路要走。
电商风控：知识图谱识别异常交易与欺诈行为
AI天才研究院
04-28 876
随着电子商务的蓬勃发展，线上交易量呈爆炸式增长，随之而来的是各种欺诈行为也日益猖獗。传统的基于规则的风控系统已无法有效应对复杂多变的欺诈手段。知识图谱作为一种语义网络，能够有效地表示实体、属性和关系，为电商风控提供了新的思路和方法。将知识图谱与机器学习模型相结合，提高风控模型的准确性和可解释性。构建实时更新的知识图谱，及时发现新的欺诈模式。融合文本、图像、视频等多模态数据，构建更 comprehensive 的知识图谱。知识图谱的构建依赖于高质量的数据，数据质量问题会影响风控效果。
CNN-Action-Recognition:使用卷积神经网络（CNN）的动作识别
05-14
使用CNN进行动作识别 在该项目中，对卷积神经网络（CNN）进行了训练，以使用Pytorch对图像和视频进行分类。 数据集 使用过的UCF101数据http://crcv.ucf.edu/data/UCF101.php但仅接受了10个班级（共101个班级）。 每个剪辑有3帧，每帧为64 * 64像素。 片段的标签位于q3_2_data.mat 。 trLb是训练剪辑的标签，而valLb是验证剪辑的标签。 首先对CNN进行训练以对每个图像进行分类。 然后，使用3D卷积训练CNN，将每个剪辑分类为视频而不是图像 Kaggle比赛 CNN对图像的动作识别-排名第10- http://www.kaggle.com/c/cse512springhw3 CNN对视频的动作识别-排名32- http://www.kaggle.com/c/cse512springhw3video
人体动动识别论文(骨骼信息，CNN)
chenitu的博客
05-19 1473
1.论文题目：SkeleMotion: A New Representation of Skeleton Joint Sequences Based on Motion Information for 3D Action Recognition 时间:2019 论文主要创新：将骨骼信息在多个时间尺度上建模显式的运动信息(即幅度和方向)，训练了一个只有三个卷积层和两个完全连接层的小型CNN架构，训练速度极快。 数据集：NTU RGB+D 120代码https://github.com/carloscae
Transformer和CNN
qq_43275608的博客
02-19 1510
多层CNN在捕捉全局上下文信息和长距离依赖关系方面存在局限性，主要体现在局部感受野的限制、长距离依赖问题、并行化能力不足、计算复杂度高以及特征提取能力有限等方面。相比之下，Transformer通过自注意力机制有效解决了这些问题，使其在处理全局信息和长距离依赖关系方面具有显著优势。
基于LSTM+CNN的动作识别网络
数据派THU
02-22 937
来源：新缸中之脑 海豚数智科学实验室‍‍‍ 本文约6000字，建议阅读10+分钟 本文我们将使用 UCF101 数据集深入探索动作识别的迷人世界。动作识别是计算机视觉中的一项关键任务，其应用范围从监视到人机交互。UCF101 数据集是我们进行此探索的游乐场。我们的目标是建立一个结合卷积神经网络 (CNN) 和长短期记忆 (LSTM) 网络的动作识别模型，以取得令人印象深刻的结果。1、了解 UCF1...
基于深度学习卷积神经网络CNN实现0-9的手势识别含识别率附Matlab实现
m0_57702748的博客
12-31 1499
手势识别是计算机视觉领域的一个重要分支，它可以使计算机通过摄像头捕捉到的人手动作来理解人类意图。手势识别技术在人机交互、虚拟现实、医疗康复等领域具有广泛的应用前景。深度学习是一种近年来兴起的人工智能技术，它可以使计算机通过学习大量的数据来完成复杂的任务。卷积神经网络 (CNN) 是深度学习中的一种常见模型，它在图像识别领域取得了很好的效果。在本文中，我们将介绍如何使用深度学习卷积神经网络来实现 0-9 的手势识别。我们将使用 MNIST 数据集来训练我们的模型，并评估其识别率。
基于深度神经网络的动作检测：问题与解决方案
寒冰屋的专栏
03-31 1736
目录 介绍 使用DNN进行动作检测 平衡准确性和性能 准备数据集 配置网络 结论 介绍 动作检测是视频处理中最具挑战性的任务之一。它可用于安全系统和闭路电视（CCTV），情感和手势跟踪，体育赛事分析，行为观察，统计数据收集等。 在我们最近的一个项目中，我们面临的挑战是在高分辨率视频中检测特定的人体动作。在本文中，我们讨论了在准确性和性能之间找到平衡的重要性，我们在数据集准备和网络...
基于深度学习的驾驶行为检测系统设计与实现
最新发布
laoman456的博客
04-06 882
本课题基于深度学习的驾驶行为检测系统设计与实现，采用CNN与LSTM结合的模型来进行驾驶行为的实时检测，旨在为智能驾驶辅助系统提供支持。通过该研究，可以提升驾驶安全性，减少交通事故，并为未来的自动驾驶技术奠定基础。本课题通过基于深度学习的方法（结合CNN和LSTM）来实现驾驶行为检测系统，能够从视频中识别驾驶行为。通过模型的训练与测试，能够验证其准确性，并可用于实时驾驶行为分析。系统可以进一步改进，例如通过引入更多的视频数据进行训练，使用更复杂的深度网络模型等。
数据驱动在智能监控中的应用：行为识别技术的最新进展
![数据驱动在智能监控中的应用：行为...本文综述了行为识别的技术原理、关键算法以及评估标准，同时探讨了数据集的选择和模型训练的流程。通过分析多个实践应用案例，如交通监控、公共安全和智能家居，本文展示了行为
行为识别 - Video Transformer Network
清欢
04-21 4418
文章目录0. 前言1. 要解决什么问题2. 用了什么方法3. 效果如何4. 还存在什么问题&可借鉴之处 0. 前言 相关资料： arxiv github 论文解读 论文基本信息 领域：行为识别 作者单位：Theator公司 发表时间：2021.2 一句话总结：CNN+LSTM中把LSTM换成Transformer 1. 要解决什么问题 Transformer 用到视觉中的主要问题就是，如何构建输入序列。 VIT 将 Transformer 引入图像分类，就是将图像分为若干个不重叠
SVFormer: Semi-supervised Video Transformer for Action Recognition
weixin_46687145的博客
03-28 764
半监督动作识别是一项具有挑战性但至关重要的任务，因为视频标注的成本较高。现有方法主要使用卷积神经网络，然而当前革命性的视觉Transformer模型尚未得到充分探索。本文研究了在半监督学习设置下使用Transformer模型进行动作识别的应用。为此，我们引入了SVFormer采用了稳定的伪标签框架（即EMATeacher）来处理未标记的视频样本。虽然各种数据增强方法已被证明对半监督图像分类有效，但它们通常对视频识别产生有限的效果。因此，我们。
基于Multiscale Vision Transformer的视频动作识别
穿着帆布鞋也能走猫步
04-18 779
本文基于Multiscale Vision Transformer进行视频动作识别，并附录完整代码。
动作识别
xys430381_1的专栏
03-31 466
训练速度远超3D CNN，提速3倍！Facebook首发「时空版」Transformer 近期必读的5篇顶会CVPR 2021【行为识别】相关论文和代码
SVFormer：走进半监督动作识别的视觉 Transformer
ZILLIZ
02-17 667
SVFormer 用ViT进行半监督动作识别。
又一任务被Transformer攻陷！NVIDIA开源HORST，用Transformer解决早期动作识别和动作预期任务...
我爱计算机视觉
01-24 3077
关注公众号，发现CV技术之美本文分享论文『Higher Order Recurrent Space-Time Transformer for Video Action Prediction...
Facebook AI&牛津提出带“轨迹注意力”的Video Transformer，在视频动作识别任务中性能SOTA！...
我爱计算机视觉
02-12 1215
关注公众号，发现CV技术之美▊写在前面在视频Transformer中，时间维度通常与两个空间维度（W和H）的处理方式相同。然而，在对象或摄影机可以移动的场景中，在第t帧中的一个位置处的物...
MS-AAGCN：Skeleton-Based Action Recognition with Multi-Stream Adaptive Graph Convolutional Networks
LoveKKarlie_的博客
03-22 3222
Skeleton-Based Action Recognition with Multi-Stream Adaptive Graph Convolutional Networks；CVPR2019；基于骨架的多流自适应图卷积网络动作识别。 2s-AGCN的改进，加入了注意力机制自适应，加入了运动信息多流。
收集相关论文
03-21
<think>好的，用户现在想要收集关于点云骨干提取的相关论文。我需要先回顾之前的对话，确保这次回答符合之前的指导和用户的需求。 首先，用户之前已经询问了点云骨干提取的方法，我给出了详细的方法分类和对比。现在用户需要收集相关论文，可能需要更具体的资源和方法指导。 用户可能是研究者、学生或者工程师，正在做相关项目，需要文献支持。用户可能对如何高效查找论文、哪些数据库或会议期刊比较重要不太清楚，或者需要一些关键词和工具建议。 接下来，我需要整理收集论文的步骤和资源，包括推荐数据库（如Google Scholar、IEEE Xplore）、关键词建议（中英文）、重要会议和期刊（CVPR、SIGGRAPH等）、工具（Mendeley、Zotero）、经典论文推荐以及如何跟踪最新研究。同时，要注意用户可能需要的具体例子，比如经典论文的名称，方便他们查找。 还要注意用户可能需要中英文资源，所以关键词需要中英文对照。另外，要提醒用户注意论文的质量，比如引用量和会议级别，避免推荐低质量论文。 最后，结构要清晰，分步骤说明，每个步骤详细但不过于复杂，确保用户能一步步跟随操作。同时，保持语言简洁，符合之前系统级指令的要求，使用中文，正确使用LaTeX格式（如果有公式的话，但这里可能不需要），并且保持回答真实可靠。</think>以下是系统化的点云骨干提取相关论文收集方法，结合学术数据库、工具和策略： --- ### **1. 核心学术数据库推荐** | 平台 | 特点 | 链接 | |------------------|-----------------------------------|--------------------------| | **Google Scholar** | 覆盖广，支持关键词追踪和引用分析 | [scholar.google.com](https://scholar.google.com) | | **IEEE Xplore** | 计算机视觉/图形学顶会论文（CVPR、ICCV等） | [ieeexplore.ieee.org](https://ieeexplore.ieee.org) | | **arXiv** | 获取最新预印本（更新快，未正式发表） | [arxiv.org](https://arxiv.org) | | **Springer/Nature** | 高质量期刊论文（如《3DOR》、《CGF》） | [link.springer.com](https://link.springer.com) | --- ### **2. 关键搜索词建议** - **英文关键词**（组合使用）： ``` "point cloud skeleton extraction" "L1-median skeletonization" "topological skeleton from 3D points" "deep learning for point cloud skeleton" ``` - **中文关键词**： ``` "点云骨架提取" "点云中心线提取" "三维点云拓扑结构" "点云骨架深度学习" ``` --- ### **3. 高影响力论文筛选策略** #### **(1) 经典论文（奠基性工作）** - **L1-Median骨架**： [*L1-Medial Skeleton of Point Cloud* (Huang et al., SIGGRAPH 2013)](https://dl.acm.org/doi/10.1145/2461912.2461992) - **拓扑方法**： [*Persistence-Based Skeletonization* (Dey et al., SGP 2011)](https://onlinelibrary.wiley.com/doi/abs/10.1111/j.1467-8659.2010.01837.x) #### **(2) 深度学习方向** - **SkeletonNet**： [*SkeletonNet: A Topology-Preserving Solution for Learning Mesh Reconstruction* (AAAI 2021)](https://ojs.aaai.org/index.php/AAAI/article/view/16354) - **PointCNN**： [*PointCNN: Convolution On X-Transformed Points* (NeurIPS 2018)](https://proceedings.neurips.cc/paper/2018/hash/f5f3b8d720f34ebebceb7765e447268f-Abstract.html) #### **(3) 最新进展（2023-2024）** - 在arXiv搜索： ``` "point cloud skeleton 2023" "skeleton extraction transformer" ``` --- ### **4. 高效管理工具** | 工具 | 功能 | 链接 | |-----------------|-----------------------------------|--------------------------| | **Zotero** | 文献分类、自动生成引用格式 | [zotero.org](https://www.zotero.org) | | **Connected Papers** | 通过一篇论文挖掘相关研究图谱 | [connectedpapers.com](https://www.connectedpapers.com) | | **ResearchRabbit** | 类似Spotify的论文推荐系统 | [researchrabbit.ai](https://www.researchrabbit.ai) | --- ### **5. 重要学术会议/期刊** | 类别 | 名称 | 侧重领域 | |----------------|-----------------------------------|--------------------------| | **顶会** | CVPR, ICCV, SIGGRAPH, Eurographics | 三维视觉/图形学算法 | | **期刊** | IEEE TPAMI, CGF, 3DOR | 长期性理论和技术突破 | --- ### **6. 实践建议** 1. **优先筛选高被引论文**（Google Scholar中被引>100次） 2. **关注代码开源情况**（GitHub搜索论文标题+“github”） 3. **对比实验部分**：重点阅读论文的“实验 vs. SOTA（State-of-the-art）”章节 --- ### 示例搜索流程 1. **Google Scholar输入**： `"point cloud skeleton extraction" after:2020` → 筛选近3年论文，按被引排序 2. **Connected Papers输入**： Huang 2013年的L1-Median论文 → 生成关联研究图谱 3. **GitHub补充**： 搜索“SkeletonNet GitHub”找到开源实现 通过以上方法，可快速建立对该领域的系统认知，并追踪前沿进展。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值