duoduohair的博客

论文没有特别仔细看，大致看了整体。主要是采取了双特征points和bone进行训练。加了自适应。关注cs结果：作者的原结果在RGB+D是：我在训练joints得到的是85.69数据处理直接根据给定代码仅更改yaml文件的显卡id，使用两张3090显卡...

记载mat并读取其中骨骼数据转换成我常用的帧，骨骼，三维坐标关系import numpy as npimport scipy.io as siomat_path = r'D:\dataset\UTD-MHAD-Skeleton\a10_s1_t1_skeleton.mat'data = sio.loadmat(mat_path) # 加载文件print(data.keys()) # 查看文件中所有变量skeleton_data = data['d_skel']t = skeleton_d

动作识别常用数据集：NTU NTU120需要骨骼数据可私信分享可以自己在ROSE实验室网站申请下载：下载链接

从一个博客参考我使用的数据集只有骨骼数据（三维坐标）def draw3Dpose(pose_3d, ax, lcolor="#3498db", rcolor="#e74c3c", add_labels=False): # blue, orange # 骨架连接顺序：起始关节，终止关节，左右关节标识(1 left 0 right) IRDS_connect_dict = [[0, 16, 0], [16, 17, 0], [17, 18, 0], [18, 19, 0], [0, 12, 1], [

数据集链接： http://webpages.uidaho.edu/ui-prmd/.数据集内容：数据集发表论文：A Data Set of Human Body Movements for Physical Rehabilitation Exercises链接：https://www.mdpi.com/2306-5729/3/1/2

摘要变电站动作识别方法，自己建立的数据集，使用混合特征与cart算法，识别率达到98%。实现用Kinect2提取骨骼深度信息（？是否可以理解为提取骨骼三维坐标），转换成世界坐标，提取人体骨关节角度和关节点的归一化距离特征，建立数据集。使用了CART算法、KNN分类算法和BP神经网络三种方法。获取数据：深度相机获取的深度图像素范围为(424×512)，深度数据范围为0.5-4.5m，深度数据[u,v,d]表示像素点(u,v)处的16位深度数据。（个人看法：与我使用的kinect dk相机通过SDK得到

摘要本文提出了一种利用传感器数据进行康复训练识别的多路径卷积神经网络(MP-CNN)。将D-CNN和S-CNN相结合，形成MP-CNN。为了对康复训练进行评价，提出了一个特殊的评价矩阵，并结合深度学习分类器来学习不同层次的各类康复训练的一般特征表示。1. Introduction（完全翻译，可忽略）康复运动是手术后特别是关节疾病手术后恢复的重要步骤之一。在康复治疗中，家庭锻炼计划是很常见的，病人在家庭环境中进行一系列的体育锻炼。然而，这样的锻炼并不总是能成功地帮助患者完全康复。一个主要的障碍是病人不遵

论文：3DV: 3D Dynamic Voxel for Action Recognition in Depth Video论文下载链接：https://paperswithcode.com/paper/3dv-3d-dynamic-voxel-for-action-recognition#code代码链接：https://github.com/3huo/3DV-Action代码由以下部分组成，红色部分为根据代码内路径自行加入作者在github提供了一些数据，看名称似乎是其中两个数据集，没搞明白怎么

摘要本文提出了一种利用近似字符串匹配的轻量级Kinect手势识别方法。该方法将关节的运动编码为字符序列，将手势识别简化为一个被广泛研究的字符串匹配问题。我们通过在研究领域应用其他广泛使用的技术来评估我们的方法。实验结果表明，与现有的机器学习技术相比，该方法具有较高的性能。3. Our approximate string matching approach to recognize gestures首先，专业人士制作手势数据集；进行轨迹重叠，之后将它们全部编码为字符序列。该方法首先采用k-means算

摘要：提出了一个深度瓶颈多模式特征融合(D-BMFF)框架，融合RGB、RGB- d(深度)和三维坐标信息三种不同的模式进行活动分类。在四个数据集： UT-Kinect, CAD-60, Florence 3D SBU Interaction有良好效果，超过了最先进的方法。1 Introduction（可跳过，单纯翻译复制粘贴）如今，视频中的人类活动识别已经成为计算机视觉研究人员的迫切选择，因为它在现实生活中的应用非常广泛。它包括电子健康，患者监控，辅助日常生活活动，视频监控，安全和行为分析，运动分.

论文所需的数据集：NTU RGB+D 需要去网站申请下载：https://rose1.ntu.edu.sg/dataset/actionRecognition/downloadNorthwestern-UCLA数据集简称N-UCLA：http://wangjiangb.github.io/my_data.htmlUWA3DII数据集未找到论文解析：https://blog.youkuaiyun.com/qq_38959366/article/details/107282241写的很好本篇论文据作者所述是当

用处不大 主要是通过VR构建场景 在虚拟现实中做动作论文阅读摘要基于虚拟现实(VR)的脑卒中康复已被证明在提高脑卒中患者的积极性和功能表现方面是有效的。新的动作感应技术Kinect成本低，而且不需要患者在身上佩戴传感器，从而增加了行动的自由度。本研究的目的是利用Kinect技术开发一种虚拟脑卒中康复系统，具有单侧和双侧任务，用于上肢功能的恢复。两名不同运动严重程度的参与者在8周内每周接受3次30分钟的中风康复治疗(总共24次训练)。WMFT,TEMPA,FMA用于收集康复前后的数据，并在后续检测中检