Mr_pan

摘要：人的动作识别能够由骨架关节的轨迹来表示，传统的方法通常利用手工制作的特征模拟人类骨骼的空间结构和时间动态，通过精心设计的分类器识别人类动作。我们提出一个端到端的层次RNN基于骨架的动作识别。HRNN-L模型不是将整个骨骼作为输入，而是根据人类的身体结构将人类的骨骼划分成五个部分，然后分别的划分进五个子网。最后随着层数的增加，前一层特征融合的结果作为更高层的输入。最后骨架序列的表示被送入到

1、摘要：本论文提出一种新的视频表示方法，称作轨迹池化-深度卷积描述符（TDD），共享手工制作的特征和深度学习特征。优点是：(1) TDDs是自动学习，并且与这些手工制作的特征相比具有高区分度的性能；(2) TDDs考虑时间维度的本质特征，介绍轨迹受限的采样和池化的策略加强深度学习特征。2、介绍：Figure 1主要有两种类型的特征：手工制作的特征和深度学习特征。对于手工制

最早是上学期元旦的时候老板发邮件让我看这篇paper，但是当时一直在复习随机过程跟矩阵论一直没时间细看。后来这学期选修的机器学习课的老师也安排了这个文献的阅读。于是乎就仔细的看了两遍。。（虽然很科普，没有很多的公式推理，但本人看得还是很模糊），现在把本人的一些阅读认识写下来跟大家共同分享。认识不当之处希望相互指正。 摘要介绍：人类能够通过几个简单的例子就能够学会新的概念，但是机器的学习算法确需要几

《Fully Convolutional Network for Semantic Segmentation》这篇文章是cvpr2015年关于利用全卷积网络做语义分割的一篇文章。这也是我阅读的关于深度学习方面的第一篇paper；本文的创新点是提出一种Full Convolutional Network的方法对任意size的输入利用有效的推理和学习产生相应尺寸的输出，并解释了它在对空间像素点预测上任务

OutlineSupervised Neural NetworksConvolutional Neural NetworksExamplesTips一、Supervised Neural NetworksNeural Networks假设：（1）输入图像向量化的（忽略像素的空间布局）（2）目标标签是离散的（用于分类）Neural Networks