多层级LSTM在骨骼序列动作识别中的应用

"基于骨骼序列的多层级LSTM动作识别，由陈艳如和潘华伟在湖南大学信息科学与工程学院进行的研究。该研究聚焦于使用LSTM网络进行人体动作识别，尤其关注在三维空间中骨架数据的处理。" 本文探讨了在人机交互和智能监控领域广泛应用的骨架序列动作识别技术。传统的动作识别方法通常依赖于视觉信息，而这种方法通过分析人体骨架关节的轨迹，可以捕捉到更为抽象和独立于背景的动作特征。长期短期记忆（LSTM）网络，作为一种特殊的循环神经网络（RNN），特别适合处理序列数据中的时间依赖性和动态变化，因此在三维人体动作识别中表现优异。 陈艳如和潘华伟的创新之处在于提出了一个多级LSTM网络架构。这个网络包括两个层次：细粒度LSTM子网和粗粒度特征融合子网。首先，每个关节及其父关节的数据被输入到细粒度子网中，允许网络学习关节间的局部动态模式。接着，上半身和下半身的关节特征分别被整合到对应的上身子网和下身子网，这样可以捕捉到身体不同部分的独特运动模式。 在特征融合阶段，上身子网和下身子网的输出被结构化地融合，以增强模型对全身动作的理解。这种分层次的方法不仅考虑了局部关节的信息，还考虑了全局的身体运动，从而提高了识别精度。通过在NTURGB+D这一公开数据集上的实验，验证了该多级LSTM网络在动作识别任务上的有效性。 关键词涉及模式识别、动作识别、LSTM网络以及骨架序列，表明这项工作集中于利用深度学习技术处理骨架数据，以实现高效且准确的动作识别。此研究对理解复杂人体行为、改进人机交互系统以及提升智能监控系统的性能具有重要意义。 中图分类号“TP391.4”表明该研究属于信息技术和计算机科学的范畴，特别是与人工智能和机器学习相关的部分。这篇论文为基于骨架的动作识别提供了一个新的视角，即通过多层次LSTM网络结构，提升了对序列动作数据的理解和识别能力。