基于 CNN 的通过核特征映射在 3D 人体骨骼上的动作识别与有监督域适应
计算机视觉与模式识别
2018-06-26 v1
摘要
深度学习在计算机视觉的许多领域无处不在。它通常需要大规模数据集进行训练，然后再在中小规模问题上进行微调。活动，或者说动作识别，是深度学习的众多应用领域之一。虽然存在许多处理 RGB 与光流帧的卷积神经网络架构，但针对 3D 人体骨骼关节时间序列的训练通常通过 LSTM 等循环网络进行。在本文中，我们提出了一种新的表示，其利用数学上严谨的核方法将 3D 人体骨骼关节序列编码为类纹理表示。该表示成为标准 CNN 网络（例如 ResNet-50）的第一层，随后被用于有监督域适应流程中，以将信息从源数据集迁移到目标数据集。这使我们能够超越在单一数据集上训练来利用可用的基于 Kinect 的数据，并优于在任何两个数据集上以朴素方式简单微调的结果。更具体地，本文中我们利用了数据集之间重叠的类别。我们通过有监督域适应中已知的所谓共性（commonality）将同一类别的数据点关联起来。我们在三个公开基准上展示了最先进的结果。
引用
@article{arxiv.1806.09078,
title = {CNN-based Action Recognition and Supervised Domain Adaptation on 3D Body Skeletons via Kernel Feature Maps},
author = {Yusuf Tas and Piotr Koniusz},
journal= {arXiv preprint arXiv:1806.09078},
year = {2018}
}