用于日常行为识别的深度时序 LSTM
计算机视觉与模式识别
2018-06-18 v2
摘要
在本文中，我们提议通过采用多对多模型进行视频分类来改进 RNN 的传统使用。我们分析了建模空间布局与时序编码对于日常行为识别的重要性。许多 RGB 方法仅关注从光流获得的短期时序信息。另一方面，基于骨架的方法表明建模长期骨架演化提高了行为识别准确率。在这项工作中，我们提出了一种深度时序 LSTM 架构，它扩展了标准 LSTM 并允许更好地编码时序信息。此外，我们提议将 3D 骨架几何与深度静态表观相融合。我们在公开可用的 CAD60、MSRDailyActivity3D 和 NTU-RGB+D 上验证了我们的方法，取得了与当前最优(state-of-the-art)相比具有竞争力的性能。
引用
@article{arxiv.1802.00421,
title = {Deep-Temporal LSTM for Daily Living Action Recognition},
author = {Srijan Das and Michal Koperski and Francois Bremond and Gianpiero Francesca},
journal= {arXiv preprint arXiv:1802.00421},
year = {2018}
}
备注
Submitted in conference