基于学习方法的 3D 骨架动作识别综述
计算机视觉与模式识别
2024-01-30 v2
摘要
基于 3D 骨架的动作识别（3D SAR）因骨架数据固有的优势而在计算机视觉界获得显著关注。因此，多年来已开展了大量令人印象深刻的工作，包括基于传统手工特征和习得特征提取方法的研究。然而，先前的动作识别综述主要聚焦于以视频或 RGB 数据为主的方法，对骨架数据相关综述的覆盖有限。此外，尽管深度学习方法在该领域有广泛应用，但明显缺乏从深度学习架构视角提供入门性或综合性综述的研究。为弥补这些不足，本综述首先强调动作识别的重要性，并突出 3D 骨架数据作为一种有价值模态的意义。随后，我们基于四种基础深度架构，即循环神经网络（RNNs）、卷积神经网络（CNNs）、图卷积网络（GCN）和 Transformers，对主流动作识别技术进行全面介绍。接着以数据驱动的方式呈现所有对应架构的方法并详细讨论。最后，我们介绍了当前最大的 3D 骨架数据集 NTU-RGB+D 及其新版 NTU-RGB+D 120，并概述了这些数据集上若干性能最优的算法。据我们所知，本研究首次对基于深度学习的 3D 骨架数据动作识别进行了全面讨论。
引用
@article{arxiv.2002.05907,
title = {A Survey on 3D Skeleton-Based Action Recognition Using Learning Method},
author = {Bin Ren and Mengyuan Liu and Runwei Ding and Hong Liu},
journal= {arXiv preprint arXiv:2002.05907},
year = {2024}
}
备注
Accepted by Cyborg and Bionic Systems (CBS), 11 pages, 6 figures