基于联合分类-回归循环神经网络的在线人体动作检测
计算机视觉与模式识别
2016-07-27 v2
摘要
从良好分割的3D骨架数据中进行人体动作识别已被深入研究并吸引越来越多关注。在线动作检测更进一步且更具挑战性，其从未修剪的流数据上实时识别动作类型并定位动作位置。本文中，我们研究从流骨架数据进行在线动作检测的问题。我们提出一个多任务端到端联合分类-回归循环神经网络，以更好地探索动作类型与时间定位信息。通过采用联合分类与回归优化目标，该网络能够更准确地自动定位动作的起止点。具体而言，通过利用深度长短期记忆（LSTM）子网络的优点，所提模型自动捕获复杂的长程时间动态，这自然避免了典型的滑动窗口设计，从而确保高计算效率。此外，回归优化子任务提供了在动作发生前对其进行预测的能力。为评估所提模型，我们构建了一个带标注的大型流视频数据集。在我们的数据集及公开G3D数据集上的实验结果均展示了我们方案极具前景的性能。
引用
@article{arxiv.1604.05633,
title = {Online Human Action Detection using Joint Classification-Regression Recurrent Neural Networks},
author = {Yanghao Li and Cuiling Lan and Junliang Xing and Wenjun Zeng and Chunfeng Yuan and Jiaying Liu},
journal= {arXiv preprint arXiv:1604.05633},
year = {2016}
}
备注
2016 ECCV Conference