动作识别：从静态数据集到移动机器人
机器人学
2017-09-20 v1 计算机视觉与模式识别
摘要
深度学习模型在识别人类活动方面已取得最先进的(state-of-the-art)性能，但往往依赖于利用典型计算机视觉数据集中存在的背景线索，这些数据集主要是静止相机。如果这些模型要被自主机器人用于真实世界环境，它们必须适应于独立于背景线索和相机运动效应来执行。为应对这些挑战，我们提出一种新方法，首先生成通用的动作区域提议，其具有在不受约束视频中定位单个人类动作的良好潜力，而不论相机运动如何，然后利用动作提议通过卷积网络(ConvNet)框架提取并分类有效的形状和运动特征。在一系列实验中，我们证明通过在训练和测试期间主动提议动作区域，在基准上实现了最先进或更好的性能。我们展示了相比最先进方法在两个新数据集上的优越性；一个强调无关背景，另一个突出相机运动。我们还在异常行为检测场景中验证我们的动作识别方法以改善工作场所安全。结果验证了我们的方法由于系统能够识别人类动作而不受环境和相机运动影响而具有更高的成功率。
引用
@article{arxiv.1701.04925,
title = {Action Recognition: From Static Datasets to Moving Robots},
author = {Fahimeh Rezazadegan and Sareh Shirazi and Ben Upcroft and Michael Milford},
journal= {arXiv preprint arXiv:1701.04925},
year = {2017}
}