超级会员免费看
本文介绍了实时行为识别，包括摔倒、运动分析、手势识别等，强调了传统目标检测方法的局限性。推荐了一个新的视频序列检测方法——realtimenet，并开源了相关代码。通过少量训练数据即可实现良好效果。文章还提供了训练自己数据集的步骤，以及体验和使用示例。
文章目录
大家好，我是cv君，很多大创，比赛，项目，工程，科研，学术的炼丹术士问我上述这些识别，该怎么做，怎么选择框架，今天可以和大家分析一下一些方案：
用单帧目标检测做的话，前后语义相关性很差（也有优化版），效果不能达到实际项目需求，尤其是在误检上较难，并且目标检测是需要大量数据来拟合的。标注需求极大。
用姿态加目标检测结合的方式，效果是很不错的，不过一些这样类似Two stage的方案，速度较慢（也有很多实时的），同样有着一些不能通过解决时间上下文的问题。
即：摔倒检测 我们正常是应该有一个摔倒过程，才能被判断为摔倒的，而不是人倒下的就一定是摔倒（纯目标检测弊病）
运动检测 比如引体向上，和高抬腿计数，球类运动，若是使用目标检测做，那么会出现什么问题呢？ 引体向上无法实现动作是否规范（当然可以通过后处理判断下巴是否过框，效果是不够人工智能的），高抬腿计数，目标检测是无法计数的，判断人物的球类运动
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
