KShapeNet：基于 Kendall 形状空间的黎曼网络用于骨架动作识别
计算机视觉与模式识别
2020-11-25 v1
摘要
深度学习架构尽管在大多数计算机视觉任务中取得成功，却是为具有底层欧几里得结构的数据设计的，而这一条件通常不满足，因为预处理后的数据可能位于非线性空间上。本文中，我们提出一种几何感知的深度学习方法用于基于骨架的动作识别。骨架序列首先建模为 Kendall 形状空间上的轨迹，然后映射到线性切空间。所得结构化数据随后送入一个深度学习架构，其包含一个在三维骨架的刚性与非刚性变换上优化的层，后接一个 CNN-LSTM 网络。在两个大规模骨架数据集 NTU-RGB+D 与 NTU-RGB+D 120 上的评估证明，所提方法优于现有几何深度学习方法，并与近期发表的方法具有竞争力。
引用
@article{arxiv.2011.12004,
title = {KShapeNet: Riemannian network on Kendall shape space for Skeleton based Action Recognition},
author = {Racha Friji and Hassen Drira and Faten Chaieb and Sebastian Kurtek and Hamza Kchok},
journal= {arXiv preprint arXiv:2011.12004},
year = {2020}
}