用于动作识别的差分循环神经网络
计算机视觉与模式识别
2015-04-28 v1
摘要
长短期记忆（LSTM）神经网络能够处理复杂序列信息，因为它利用特殊门控方案从长输入序列学习表示。它有潜力建模任何序列时间序列数据，其中当前隐藏状态必须在过去隐藏状态的上下文中考虑。这一特性使LSTM成为学习各种动作复杂动态的理想选择。不幸的是，常规LSTM在通过时间门控应当记忆的信息时，未考虑给定显著运动模式对应的时空动态影响。为了解决这个问题，我们提出一种用于LSTM神经网络的差分门控方案，强调连续帧间显著运动引起的信息增益变化。该信息增益变化由状态导数（DoS）量化，因此提出的LSTM模型被称为差分循环神经网络（dRNN）。我们通过从真实世界2D和3D人类动作数据集自动识别动作来展示所提模型的有效性。我们的研究是首批展示通过状态高阶导数学习复杂时间序列表示潜力的作品之一。
引用
@article{arxiv.1504.06678,
title = {Differential Recurrent Neural Networks for Action Recognition},
author = {Vivek Veeriah and Naifan Zhuang and Guo-Jun Qi},
journal= {arXiv preprint arXiv:1504.06678},
year = {2015}
}