基于骨骼信息的行为识别论文汇总-skeleton-based action recognition papers， since 2015

最新推荐文章于 2025-03-28 08:00:00 发布

bianxuewei1238

最新推荐文章于 2025-03-28 08:00:00 发布

阅读量2.6k

点赞数 5

文章标签： action recognition AI CNN

本文链接：https://blog.csdn.net/bianxuewei1238/article/details/84936883

版权

以下论文是我搜集的一些基于骨骼的行为识别的论文，起始年份为2015年，并不是很全面，供需要者查看。

CVPR 2018

Deep Progressive Reinforcement Learning for Skeleton-Based Action Recognition

Yansong Tang, Yi Tian, Jiwen Lu, Peiyang Li, Jie Zhou

Augmented Skeleton Space Transfer for Depth-Based Hand Pose Estimation

Seungryul Baek, Kwang In Kim, Tae-Kyun Kim

CVPR 2017

A New Representation of Skeleton Sequences for 3D Action Recognition

Qiuhong Ke, Mohammed Bennamoun, Senjian An, Ferdous Sohel, Farid Boussaid

Spatio-Temporal Naive-Bayes Nearest-Neighbor (ST-NBNN) for Skeleton-Based Action Recognition

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

bianxuewei1238

关注关注

5
点赞
踩
37

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

人体识别_基于人体骨架的行为识别【附PPT与视频资料】

weixin_42591908的博客

01-13

1633

关注文章公众号回复"司晨阳"获取PPT资料视频资料可点击下方阅读原文在线观看导读基于人体骨架的行为识别是一个重要而且具有挑战性的计算机视觉任务。人体图像视频不仅包含了复杂的背景，还有光照变化、人体外貌变化等不确定因素，这使得基于图像视频的行为识别具有一定的局限性。相比图像视频，人体骨架视频可以很好地克服这些不确定因素的影响，所以基于人体骨架的行为识别受到越来越多的关注。人体骨架序列不仅包...

3DGS2024论文解析|SA-DVAE Improving Zero-Shot Skeleton-Based Action Recognition by Disentangled

paixiaoxin的博客

02-10

968

本文提出了一种新颖的零样本骨骼动作识别方法SA-DVAE（基于解耦变分自编码器的语义对齐），旨在解决现有方法在动作识别数据集中由于骨骼序列的可变性和类别标签的恒定性所导致的内在不平衡问题。SA-DVAE通过特征解耦将骨骼特征分为语义相关和无关的两个部分，从而更好地对齐骨骼特征与语义嵌入。该方法采用了一对模态特定的变分自编码器，并结合总相关性惩罚，以提高模型的泛化能力。

参与评论您还未登录，请先登录后发表或查看评论

基于深度学习的骨骼行为识别项目论文合集.zip

06-11

基于深度学习的骨骼行为识别项目论文合集。简单列举如下：（一小部分）基于二维骨架运动特征向量的行为识别项目基于图卷积网络的行为识别方法基于残差时空图卷积网络的3D人体行为识别项目基于骨骼时序散度特征的人体行为识别算法多尺度方法结合卷积神经网络的行为识别项目多模态轻量级图卷积人体骨架行为识别方法多流卷积神经网络的骨架行为识别项目

计算机视觉算法实战——行为识别：从原理到应用

最新发布

m0_65481401的博客

03-28

762

行为识别（Action Recognition）是计算机视觉中极具挑战性的核心任务，旨在通过分析视频序列自动识别和理解人类行为动作。这一技术在人机交互、智能监控、体育分析、医疗监护等领域具有广泛应用前景，是人工智能理解物理世界的重要桥梁。行为识别作为视频理解的核心任务，已经从传统的特征工程发展到如今的端到端深度学习时代。SlowFast等先进架构通过精心设计的双路径处理，实现了时空特征的高效建模，在多项基准测试中创造了新的性能记录。

综述：基于骨骼（skeleton）的动作识别方法

Airs-Gao的博客

05-24

5287

Deep learning‐based action recognition with 3D skeleton: Asurvey1. 简介1.1 3D Skeleton‐based Action Recognition 1. 简介 1.1 3D Skeleton‐based Action Recognition 用途：基于骨骼的人体动作识别是计算机视觉领域的一个热门研究课题，已广泛应用于视频理解、视频监控、人机交互、机器人视觉、自动驾驶、虚拟现实等领域。获取方式：近年来，随着三维骨骼数据采集的快速发展，

基于骨架的人动作识别

邹小驴

04-24

5476

https://blog.csdn.net/qq_36893052/article/details/79860328

基于骨架的动作识别AGC-LSTM网络（一）

qq_36852840的博客

10-02

6527

最近自己在一边看机器学习视频的同时一边在看最近关于基于骨骼的动作识别的论文，An Attention Enhanced Graph Convolutional LSTM Network for Skeleton-Based Action Recognition这篇是CVPR2019的一篇论文，上周把这篇论文看了一遍（差不多就是单纯的翻译了一遍），今天又没事翻看了一下，下面我把我自己在阅读的过程自己...

2019-Optimized Skeleton-based Action Recognition via Sparsified

08-04

1. 基于稀疏图回归的Skeleton-based行动识别：论文提出了基于稀疏图回归的Skeleton-based行动识别方法，能够学习节点间的隐式关联，并且提高行动识别的准确性。 2. 图回归：论文使用图回归来学习节点间的隐式关联，...

论文笔记--Skeleton-Based Action Recognition with Multi-Stream Adaptive Graph Convolutional Networks

Lyndsey的博客

11-06

1007

Hello，接下来的30天，我会坚持输出30篇论文笔记，有些论文会配上代码的理解。以输出的方式倒逼着自己去输入。想做实验，但是脑袋空空如也，没有新的想法，这是大脑在提醒你该踏实去科研去看论文做实验；想写论文，逻辑不清此举匮乏，这是大脑在提醒你该多多看论文记录下那些好的词句；想写一些文字表达自己想法时，却不知如何下笔，这是在大脑在提醒自己该看书了。这样的情形还有很多，但我想表达的并不是“你真懒”，“You are bad”或者其他负面的话语。我想说，我们要看清、认清这些时刻，然后对其作出自己的调整和改变即

【论文笔记】2020行为识别综述A Survey on 3D Skeleton-Based Action Recognition Using Learning Method

LoveKKarlie_的博客

12-11

3782

2020行为识别综述，基于深度学习方法的三维骨骼动作识别综述。这是第一个对使用3D骨架数据的基于深度学习的动作识别进行全面讨论的研究。

基于骨骼的动作识别：DD-Net

Airs-Gao的博客

03-19

7810

Make Skeleton-based Action Recognition Model Smaller, Faster and Better论文解读概述1. 简介2. related works3. 方法2.1 基于关节的位置视点不变特征建模集合的距离（Joint Collection Distances (JCD)）论文链接：https://arxiv.org/pdf/1907.09658.pdf 论文代码（Keras 版本）：https://github.com/fandulu/DD-Net 论文

朴素贝叶斯matlab源码-ST-NBNN-demo:基于骨架动作识别的ST-NBNN演示

05-19

朴素贝叶斯matlab原始码演示代码-用于基于骨架的动作识别的ST-NBNN 要求（大约最近的邻居）（Matlab的）工具箱（Matlab）脚步在NBNN文件夹中，运行make来编译nbnn.cpp文件。运行nbnn.exe生成空间时间矩阵（存储在NBNN / MHAD文件夹中）。在中运行dataTrans.m 。 / NBNN / MHAD文件夹将ST矩阵转换为mat格式。将生成的data_X.mat文件data_X.mat复制到。 / ST-NBNN / MHAD 。在ST-NBNN文件夹中运行demo.m 注意力您可能需要重新编译ANN，Liblinear和CVX工具箱，具体取决于您所使用的操作系统。由于尺寸较大，所提供的MHAD数据集通过每20帧中选择一帧进行下采样。 NBNN的预期结果将是89.1 ％，ST-NBNN的预期结果将是100％。引文如果您在研究中使用此源代码，请引用以下论文。 @InProceedings{Weng_2017_CVPR, author = {Weng, Junwu and Weng, Chaoqun and Yuan,

[骨架动作识别]STA-LSTM: Spatio-Temporal Attention Model for Human Action Recognition from Skeleton Data

liudiudiu

07-17

7046

An End-to-End Spatio-Temporal Attention Model for Human Action Recognition from Skeleton Data 这是来自微软亚洲研究院的一篇文章，兰翠玲老师组的，他们在骨架动作识别方面出过不少佳作，微软毕竟是kinect亲妈。只是代码不开源，略坑。网络结构网络（Main LSTM Network）用于对特征进行提取...

图卷积网络进行骨骼识别代码_基于骨架的动作识别的圣域图卷积网络

weixin_42514432的博客

01-30

271

hallow Graph Convolutional Network for Skeleton-Based Action RecognitionGraph convolutional networks (GCNs) have brought considerable improvement to the skeleton-based action recognition task. Existin...

【阅读文献笔记】骨骼信息的人体行为识别综述

qq_46460379的博客

11-08

1917

然后通过累加前一流的激活图来指导新一流的学习过程，网络的每一流只负责从当前未激活的关节中学习特征。“受到基于部分的可变形模型（deformable partbased models，DPMs）（Felzenszwalb 和 Huttenlocher， 2005）的启发，Thakkar 和 Narayanan（2018）基于人体的结构将人体骨骼图分成 4 个子图，使用基于身体部分的图卷积网络捕捉每个身体部件的高层语义表达，同时学习身体部件之间的依赖性，但该方法设计的图结构仍是预定义的，缺乏灵活性。

基于骨架的动作识别的时间增强图卷积网络-学习

qq_57949013的博客

12-24

858

项目学习：Temporal‐enhanced graph convolution network for skeleton‐ based action recognition

Skeleton相关论文简介

iamjingong的博客

06-12

793

1、《On Geometric Features for Skeleton-Based Action Recognition using Multilayer LSTM Networks》2017 所有数据之间的关系，关节点之间进行连线，前面的一些工作虽然也这么做了，但是没有做到最好的连接；分层的LSTM模型，具体是三层，网络模型并没有做了很大的改进，只是简单的增加了LSTM的层数...

论文阅读：Skeleton-Based Action Recognition with Directed Graph Neural Networks

qq_36627158的博客

06-08

656

Skeleton-Based Action Recognition with Directed Graph Neural Networks （2019 CVPR） Lei Shi1,2 Yifan Zhang, Jian Cheng, Hanqing Lu Notes Contributions (1) To the best of our knowledge, this is the first work to represent the skeleton data as a direc.

论文翻译：Spatio-Temporal Naive-Bayes Nearest-Neighbor (ST-NBNN) for Skeleton-Based Action Recognition

com_fang_bean的博客

07-23

1177

由于以前成功地使用非参数方法来识别对象，例如NBNN[2]，我们将其扩展到使用骨架来识别动作。每个3D动作都是由一系列3D姿态呈现的。与NBNN相似，我们提出的时空NBNN应用阶段到类的距离来对动作进行分类。而STNBNN考虑了三维动作的时空结构，放宽了NBNN的朴素贝叶斯假设。ST-NBNN采用双线性分类器。识别动作分类的关键时间阶段和空间关节。尽管仅使用线性分类器，但在三个基准数据集上的实验表明，通过结合非参数和参数模型的优点，ST-NBNN可以获得与使用复杂模型(如深度学习)的最新结果相...