IEICE‘2018 Pose Estimation with Action Classification Using Global-and-Pose Features and Fine-Graine

任务：Action Classification and pose estimation

思路：将每个动作划分成一系列子动作，为每个子动作训练独立模型，预测pose，而后pose特征返回来精化动作分类

方法：action划分，子类划分，SVM，DPMs

1.intro

主要针对动作识别和姿态估计的方法进行了简单论述，然后点名了姿态和动作是相互关联的。

其次，还提到每个action类别还有姿态差异很大的子动作。

 

2.贡献：

（1）通过多个DPMs改进姿态估计，每个DPMs都针对每个动作进行优化

（2）使用估计的姿态作为局部特征与全局图像特征合并进行动作分类

3. Overview of the Proposed Method

下面主要说的是model（x, y）代表的啥，也就是action x 下的 子类 y

 

 

3.1 Action Classification Using Global Features

通过SVM和Object Bank feature得到动作分类，图中的左边虚线框内

3.2 Pose Estimation Using DPMs

每个子动作样本训练出的DPMs来做姿态估计，由于经过了分类，因此预测更加准确

 

 4. Iterative Action Classification and Pose Estimation

 这部分讲的是两个任务的迭代过程，

4.1 Initial Action Classification with High-Dimensional Global Features

这个部分跟3.1是一样的，也就是初次动作识别过程，

4.2 Pose Estimation by Fine-Grained Action-Specific DPMs and Action Probability

这一部分是讲的如何训练每个action子类sub action的DPMs的，如下图也就是先用

action A样本去训练A下面的所有子类DPMs，然后再分别用A下面的子类，单独训练每个DPMs 

 最后选择预测评分最高的那个DPMs预测出来的pose

 4.3 Action Classification with Global and Pose Features

 最后将pose特征和之前的全局特征融合，得到精化后的动作识别。

直接拼接特征