GMFL-Net：一种用于重复动作计数的全局多几何特征学习网络
计算机视觉与模式识别
2024-09-04 v1
摘要
随着深度学习的不断发展，重复动作计数领域逐渐引起众多研究者的关注。利用人体姿态估计网络提取姿态关键点已被证明是一种有效的姿态级方法。然而，现有的姿态级方法存在以下缺点：单一坐标不够稳定，难以处理因相机视角变化引起的动作变形，从而无法准确识别显著姿态，并且在从异常状态过渡到实际动作的过程中容易受到误检的影响。为了克服这些问题，我们提出了一种简单但高效的全局多几何特征学习网络(GMFL-Net)。具体来说，我们设计了一个MIA模块，旨在通过融合多几何特征并学习输入多几何特征之间的语义相似性来改善信息表示。然后，为了从全局视角改进特征表示，我们还设计了一个GBFL模块，该模块增强了逐点和逐通道元素之间的相互依赖性，并将其与MIA模块生成的丰富局部信息相结合，以合成一个全面且最具代表性的全局特征表示。此外，考虑到现有数据集的不足，我们收集了一个名为Countix-Fitness-pose的新数据集(https://github.com/Wantong66/Countix-Fitness)，该数据集包含不同的周期长度和异常动作，以及一个持续时间更长的测试集，并以姿态级细粒度标注进行注释。我们还新增了两个动作类别，即弓步和绳索下压。最后，在具有挑战性的RepCount-pose、UCFRep-pose和Countix-Fitness-pose基准数据集上的大量实验表明，我们提出的GMFL-Net达到了最先进的性能。
引用
@article{arxiv.2409.00330,
title = {GMFL-Net: A Global Multi-geometric Feature Learning Network for Repetitive Action Counting},
author = {Jun Li and Jinying Wu and Qiming Li and Feifei Guo},
journal= {arXiv preprint arXiv:2409.00330},
year = {2024}
}