项目名称: 基于深度学习的复杂场景下人体行为识别研究

项目编号: No.61503141

项目类型: 青年科学基金项目

立项/批准年度: 2016

项目学科: 其他

项目作者: 吴秋霞

作者单位: 华南理工大学

项目金额: 22万元

中文摘要: 随着信息技术的飞速发展,在过去的几十年内,我们见证了生活中无限泛滥的视频大数据。因此,自动分析和理解视频内容在大数据时代就变得越来越重要。而人的行为是视频内容中的重要组成部分,已提出的大部分方法都是基于相对简单的数据库下的研究,因此,很难被应用到对实际场景下的人的行为的分析。在本项目申报书中,我们拟采用深度学习的方法来对实际场景中的人体行为进行表征。首先,基于人体视觉感知特性,采用深度卷积神经网络训练学习,来获取图像中感兴趣的区域,从而确定作为图像主体的人的位置区域,根据这个有效区域来对局部噪声时空兴趣点进行去除;另外,借助无监督的深度置信网来对bag-of-features模型中视频词库进行选择,得到了一种更有表征能力的bag-of-features模型。最后,采用SVM方法来实现在上述两层特征选择基础上的人体行为特征的识别。本项目的研究不仅具有重要的理论意义,同时也具有广泛的应用前景。

中文关键词: 人体行为识别;深度学习理论;视觉显著性;局部时空兴趣点;视频词库

英文摘要: During the past few decades, we have witnessed an explosion in the production of video data due to the advancement of information technologies. It has been more and more important to automatically understand video content for many applications. Since human action is one of the most predominant parts in video content, many significant studies have been carried out in the computer vision domain. However, most of existing algorithms focus on the datasets acquired in well-controlled settings, which prevents those techniques from being utilized in more realistic scenarios. In this proposal, we are going to investigate the problems in this emerging direction, realistic human action recognition by utilizing the deep learning theory for realistic human action representation, as its strong learning ability in some successful cases. The deep learning technique has been combined to the visual saliency for searching the interesting districts and pruning the invalid space-time interest points. And then the deep learning theory has been utilized in the bag-of-features model again, in order that we can find the optimal visual vocabulary size. Finally, the SVM has been adopted for the human action recognition. The investigation on realistic human action recognition based on deep learning theory is of important research value and great importance in applications.

英文关键词: Human action recognition;Deep learning theory;Visual saliency;Local space-time interest points;Visual vocabulary size

成为VIP会员查看完整内容
9

相关内容

基于深度学习的图像目标检测算法综述
专知会员服务
97+阅读 · 2022年4月15日
【博士论文】基于深度学习的单目场景深度估计方法研究
专知会员服务
28+阅读 · 2021年9月13日
基于深度学习的行人检测方法综述
专知会员服务
68+阅读 · 2021年4月14日
专知会员服务
33+阅读 · 2021年2月7日
专知会员服务
69+阅读 · 2021年1月16日
专知会员服务
43+阅读 · 2020年12月8日
专知会员服务
77+阅读 · 2020年12月6日
基于深度学习的多标签生成研究进展
专知会员服务
141+阅读 · 2020年4月25日
基于深度学习的图像目标检测算法综述
专知
2+阅读 · 2022年4月16日
基于深度学习的小目标检测方法综述
专知
1+阅读 · 2021年4月29日
基于深度学习的行人检测方法综述
专知
1+阅读 · 2021年4月14日
基于深度学习的流行度预测研究综述
专知
0+阅读 · 2021年3月24日
基于深度学习的视频目标检测综述
极市平台
15+阅读 · 2019年7月19日
人脸识别技术全面总结:从传统方法到深度学习
算法与数学之美
12+阅读 · 2019年2月27日
好文 | 基于深度学习的目标检测技术演进
七月在线实验室
12+阅读 · 2018年1月31日
干货|基于双流递归神经网络的人体骨架行为识别!
全球人工智能
13+阅读 · 2017年12月15日
视频行为识别年度进展
深度学习大讲堂
34+阅读 · 2017年6月12日
国家自然科学基金
2+阅读 · 2017年12月31日
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
5+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
Arxiv
30+阅读 · 2021年7月7日
Arxiv
16+阅读 · 2021年3月2日
Arxiv
27+阅读 · 2020年12月24日
小贴士
相关VIP内容
基于深度学习的图像目标检测算法综述
专知会员服务
97+阅读 · 2022年4月15日
【博士论文】基于深度学习的单目场景深度估计方法研究
专知会员服务
28+阅读 · 2021年9月13日
基于深度学习的行人检测方法综述
专知会员服务
68+阅读 · 2021年4月14日
专知会员服务
33+阅读 · 2021年2月7日
专知会员服务
69+阅读 · 2021年1月16日
专知会员服务
43+阅读 · 2020年12月8日
专知会员服务
77+阅读 · 2020年12月6日
基于深度学习的多标签生成研究进展
专知会员服务
141+阅读 · 2020年4月25日
相关资讯
基于深度学习的图像目标检测算法综述
专知
2+阅读 · 2022年4月16日
基于深度学习的小目标检测方法综述
专知
1+阅读 · 2021年4月29日
基于深度学习的行人检测方法综述
专知
1+阅读 · 2021年4月14日
基于深度学习的流行度预测研究综述
专知
0+阅读 · 2021年3月24日
基于深度学习的视频目标检测综述
极市平台
15+阅读 · 2019年7月19日
人脸识别技术全面总结:从传统方法到深度学习
算法与数学之美
12+阅读 · 2019年2月27日
好文 | 基于深度学习的目标检测技术演进
七月在线实验室
12+阅读 · 2018年1月31日
干货|基于双流递归神经网络的人体骨架行为识别!
全球人工智能
13+阅读 · 2017年12月15日
视频行为识别年度进展
深度学习大讲堂
34+阅读 · 2017年6月12日
相关基金
国家自然科学基金
2+阅读 · 2017年12月31日
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
5+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
微信扫码咨询专知VIP会员