无监督骨架动作识别：预测与聚类方法 - CSDN文库

需积分: 5 145 浏览量更新于2024-07-15 收藏 1.12MB PDF 举报

身份认证购VIP最低享 7 折!

30元优惠券

资源详情

资源推荐

2、相关工作

动作识别的目的是将类别标签分配给具有关于所执行动作的上下文信息的

帧序列，图 1。已经特别为人体运动动作识别引入了多种方法。这种方法使用视

频帧(RGB)和/或深度(RGB+D)和/或骨架数据，即跟踪身体关节(关键点)。执行独

占的基于骨架的动作识别特别有利，因为需要的数据要少得多，获取相对容易，

因此具有实时执行的潜力。此外，与包括诸如背景等无关特征的视频和深度相比，

骨架数据可用于理解动作的独占特征。事实上，近年来，已经有各种监督和非监

督的方法被引入到基于骨骼的人类动作识别中。大多数基于骨架的方法都受到了

监督，其中应该提供一组带注释的操作和标签以供培训。在无人监督的设置中，

动作识别的问题更具挑战性。目前只有几种非监督的基于骨架的方法被提出，并

且已经开发了几种非监督的方法来使用更多的信息，如视频帧和深度，即无监督

的 RGB+D。我们在下面回顾这些先前的方法，并将我们的结果与它们进行比较。

对于有监督的基于骨架的动作识别，在深度学习方法之前，经典的方法是将

动作从李群映射到李代数，并结合动态时间规整、傅立叶时间金字塔表示和线性

支持向量机(例如 LARP[28])进行分类。已经开发了深度学习方法来对骨架数据进

行分类，特别是基于 RNN 设计用于处理序列的模型。例如，Du 等人[3]采用层次

RNN(HBRNN-L)进行动作分类。Shahroudy 等人提出了基于层次 RNN(HBRNN-L)

的动作分类方法。[21]针对 NTU RGB+D 数据集，提出了部分感知 LSTM(PLSTM)

作为大规模骨骼动作识别的基线。由于骨架数据有噪音在很大程度上是由于摄像

机视图的变化而产生的，以前的工作提出了一种视图自适应 RNN(VA-RNN)，它

学习从原始骨架数据到一般姿势的转换[35]。还提出了基于 CNN 的有监督骨架

识别方法。这种方法需要一种可以由 CNN 处理的身体关节表示。时空骨架序列

剩余17页未读，继续阅读

l4l

粉丝: 0
资源: 7

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈