SFFAI12预告（下）| 基于骨架的行为检测最新进展（附精选论文荐读）

2018 年 12 月 4 日 人工智能前沿讲习班

关注文章公众号

回复"行为识别"获取本主题精选论文

SFFAI12预告

Recent Advances on Skeleton-Based Action Recognition

基于人体骨架的行为识别是计算机视觉中的一个热点问题，相比图像视频，人体骨架视频可以很好地克服光照变化、人体外貌变化等不确定因素的影响，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含了时序特征，而且还包含了人体的空间结构特征，如何有效地从人体骨架序列中提取具有判别性的空间和时间特征是一个有待解决的问题。我们在这次分享会中主要介绍一下基于人体骨架的行为识别的最新进展。

SPOTLIGHT

了解基于人体骨架的行为识别的最新进展，存在难点分析。

分享嘉宾

司晨阳：中国科学院自动化研究所在读博士，本科毕业于郑州大学，已在CVPR、ECCV上发表论文，目前主要研究兴趣为行为识别方向，欢迎感兴趣的小伙伴一起交流讨论。

论文共读

本期SFFAI12将开辟一个新的现场交流版块——论文共读。

在嘉宾的主题分享结束后，我们将邀请大家共同研读与本期主题相关的精选论文。五星论文会重点讨论，四星论文也会有所涉及。

本次推荐的5篇论文，是分享嘉宾司晨阳同学精选出来的。（本公众号对话窗口回复“行为识别”，获取精选论文下载链接）

你可以先仔细阅读，并带着问题来现场交流呦😊

Skeleton-Based Action Recognition with Spatial Reasoning and Temporal Stack Learning

🌟🌟🌟🌟🌟

This paper proposes a novel model with spatial reasoning and temporal stack learning for skeleton-based action recognition. The spatial reasoning network can capture the high-level spatial structural information within each frame, while the temporal stack learning network can model the detailed temporal dynamics of skeleton sequences.

View adaptive recurrent neural networks for high performance human action recognition from skeleton data

🌟🌟🌟🌟🌟

This paper presents an end-to-end view adaptation model for human action recognition from skeleton data. it is capable of regulating the observation viewpoints to the suitable ones by itself, with the optimization target of maximizing recognition performance.

Spatial temporal graph convolutional networks for skeleton-based action recognition

🌟🌟🌟🌟🌟

This paper proposes a generic graph-based formulation for modeling dynamic skeletons, which is the first that applies graph-based neural networks for this task

Co-occurrence feature learning from skeleton data for action recognition and detection with hierarchical aggregation

🌟🌟🌟🌟🌟

This paper proposes an end-to-end convolutional co-occurrence feature learning framework. The co-occurrence features are learned with a hierarchical methodology, in which different levels of contextual information are aggregated gradually.

An end-to-end spatio-temporal attention model for human action recognition from skeleton data

🌟🌟🌟🌟🌟

This paper employs a spatial-temporal attention model based on LSTM

to select discriminative spatial and temporal features.

报名须知

时间

2018年12月09日（周日）

下午2:00 -- 4:00

地点

中国科学院自动化研究所

报名方式

点击下方原文链接 或扫描二维码报名

活动名额

1. 为确保小范围深入交流，本次活动仅接受30 位用户入场（不收取任何费用）；

2. 活动采取审核制报名，我们将根据用户研究方向与当期主题的契合度进行筛选，通过审核的用户将收到确认邮件；

3. 如您无法按时到场参与活动，请于活动开始前 24 小时在AIDL微信公众号后台留言告知，留言格式为放弃报名 + 报名电话。无故缺席者，将不再享有后续活动的报名资格。

SFFAI招募

现代科学技术高度社会化，在科学理论与技术方法上更加趋向综合与统一，为了满足人工智能不同领域研究者相互交流、彼此启发的需求，我们发起了SFFAI这个公益活动。SFFAI每周举行一期线下活动，邀请一线科研人员分享、讨论人工智能各个领域的前沿思想和最新成果，使专注于各个细分领域的研究者开拓视野、触类旁通。

SFFAI目前主要关注机器学习、计算机视觉、自然语言处理等各个人工智能垂直领域及交叉领域的前沿进展，将对线下讨论的内容进行线上传播，使后来者少踩坑，也为讲者塑造个人影响力。

SFFAI还将构建人工智能领域的知识树（AI Knowledge Tree），通过汇总各位参与者贡献的领域知识，沉淀线下分享的前沿精华，使AI Knowledge Tree枝繁叶茂，为人工智能社区做出贡献。

这项意义非凡的社区工作正在稳步向前，衷心期待和感谢您的支持与奉献！