- 博客(3)
- 收藏
- 关注
RSS订阅原创 Neural Koopman Pooling: Control-Inspired Temporal Dynamics Encoding forSkeleton-Based Action Recogn
基于神经网络的人体动作识别在各个领域变得越来越重要。现有的工作大多训练基于CNN或GCN的骨干来提取时空特征，并使用时序平均/最大池化进行信息聚合。然而，这些池化方法无法捕获高阶动态信息。为了解决这个问题，我们提出了一个称为Koopman池化的即插即用模块，它是一种基于Koopman理论的参数化高阶池技术。Koopman算子能够线性化非线性动力系统，提供了一种通过动态矩阵来表示复杂系统的方法，该动态矩阵可用于分类。我们还提出了特征值归一化方法以确保学习到的动态具有非衰减稳定性特性。
2025-03-25 08:00:00
1085
原创 Hierarchically Decomposed Graph Convolutional Networks forSkeleton-Based Action Recognition（HD-GCN）
人类动作识别（HAR）是一项通过接收视频数据作为输入对动作类别进行分类的任务。HAR 被广泛应用于人机交互和虚拟现实等领域。最近，随着深度学习技术的发展，人们提出了几种基于 RGB 和骨架的 HAR 方法。然而，基于 RGB 的方法 [31, 29]无法稳健地识别人类动作，因为它们受到环境噪音（如背景颜色、光线亮度和衣服）的强烈影响。因此，使用骨架模式的方法[35, 24, 36, 26, 5, 4, 18, 2, 15]受到了关注，因为它们不受这些噪音的影响。
2025-03-13 15:03:52
1284
原创 Revisiting Skeleton-based Action Recognition
人体骨架作为人体动作的紧凑表示，近年来受到越来越多的关注。许多基于骨骼的动作识别方法都采用 GCN 来提取人体骨骼的特征。尽管这些尝试取得了积极的成果，但基于 GCN 的方法在鲁棒性、互操作性和可扩展性方面仍有局限。在这项工作中，我们提出了基于骨骼的动作识别新方法 PoseConv3D。PoseConv3D 依靠三维热图体积而不是图形序列作为人体骨骼的基础表示。与基于 GCN 的方法相比，PoseConv3D 在学习时空特征方面更有效，对姿势估计噪声的鲁棒性更高，在跨数据集设置。
2025-03-10 11:54:13
657
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人