基于时空上下文的实时在线动作检测森林
计算机视觉与模式识别
2016-10-31 v1
摘要
在线动作检测（OAD）具有挑战性，因为 1）由于实时处理要求，鲁棒但计算昂贵的特性无法直接使用，并且 2）即使在动作被完全观测之前，也必须执行动作的定位与分类。我们提出了一种基于随机森林（RF）的新在线动作检测框架，以应对这些挑战。我们的算法使用计算高效的骨骼关节特征。通过利用从原始 RGBD 图像中提取的基于鲁棒卷积神经网络（CNN）的特征，加上当前关注帧与过去和未来帧之间的时间关系，实现了高精度。虽然这些高质量特征在实时测试场景中不可用，但我们证明它们可以在训练 RF 分类器时被有效利用：我们使用这些时空上下文来构建 RF 的新分裂函数，改进 RF 的叶节点统计。在具有挑战性的 MSRAction3D、G3D 和 OAD 数据集上的实验表明，我们的算法在保持现有基于骨骼的 RF 分类器的实时效率的同时，显著提高了相对于最先进在线动作检测算法的精度。
引用
@article{arxiv.1610.09334,
title = {Real-time Online Action Detection Forests using Spatio-temporal Contexts},
author = {Seungryul Baek and Kwang In Kim and Tae-Kyun Kim},
journal= {arXiv preprint arXiv:1610.09334},
year = {2016}
}