技术+管理+经验+沟通+人品=>合格的项目管理者

本文的人体行为识别方法的主要创新点在于跳出了主流“数据驱动”特征越多越好的传统思路，通过实验证明：特征选择远比计算所有特征更为重要。

13个月，终于见刊，经历了大修后再大修，然后编后重投。好在重投后主编效率高，估计是看我也不容易……这张图是算法思路，关键在于通过SPP改造了经典的卷积神经网络，使之能够接受任意时长的动作序列。在训练过程中，将数据集中的样本归一化到多个不同的时间尺寸，是神经网络能够学习到多尺度特征。然后，在预测过程中，直接输入不经“缩放和裁剪”的信息，提高动作的识别准确率。再结合之前发的文章当中的数据增强策略，效果奇好。实验图为证：上图是没有加数据增强策略前的效果，加上数据增强后，在改进的ZF-NET上，效果

这是2020年发的最好的一篇文章，话不多说，先上图创新点：1、将视频进行了降维处理，转化为图片；2、转化后的运动图（DJMI），解决了传统JTM，MHI时序重叠的问题；3、转化后的图片可通过即有图形图像的经典算法，批量生成可信样本（文章中通过双二次插值算法批量生成样本），解决小样本情况下，深度神经网络训练不充分，容易过拟合的情况。下图是样本生成后对各种经典卷积神经网络的训练提升。特别是在防止过拟合方面，有质的提升。原文地址：...

实现多尺度的图片输入，最简单的方式肯定是用到SpatialPyramidPooling，从https://github.com/yhenon/keras-spp下载论文作者的源码后，立即安装使用，发现问题很多，无法正常运行。这也无奈，因为tensorflow升级至2.0版本以后，很多代码无法正常使用。于是一行行推进改源码，使其符合tf2.3的语法规则。花了整整一天时间，下面地址是升级至tf2.3版本后的代码，下载后安装即可https://download.csdn.net/download/u011