用于三维人体动作识别的细到粗卷积神经网络
计算机视觉与模式识别
2018-08-21 v2
摘要
本文提出一种从 3D 骨架序列进行人体动作识别的新框架。以往研究未充分利用人体动作中视频片段间的时间关系。一些研究成功使用极深卷积神经网络（CNN）模型但常受数据不足问题困扰。本研究中，我们首先将骨架序列分割为不同的时间片段以利用它们之间的相关性。然后，通过利用为人体骨架序列优化的细到粗（F2C）CNN 架构，同时提取骨架序列的时间与空间特征。我们在 NTU RGB+D 和 SBU Kinect Interaction 数据集上评估所提方法。其在 NTU RGB+D 上以 cross-object 和 cross-view 协议分别达到 79.6% 和 84.6% 的准确率，几乎与当前最优（state-of-the-art）性能一致。此外，我们的方法显著提升了两人交互动作的准确率。
引用
@article{arxiv.1805.11790,
title = {A Fine-to-Coarse Convolutional Neural Network for 3D Human Action Recognition},
author = {Thao Minh Le and Nakamasa Inoue and Koichi Shinoda},
journal= {arXiv preprint arXiv:1805.11790},
year = {2018}
}
备注
Camera-ready manuscript for BMVC2018