The rapid development of smart cities has brought great convenience to people's daily lives. Among them,the increasingly intelligent video surveillance system is the inevitable result of the gradual maturity of information technology. Human behavior recognition is one of the important tasks in the field of intelligent security monitoring. However,a large number of edge monitoring devices have produced blowout image and video data. The traditional single⁃cloud computing model has been unable to effectively deal with the calculation and processing of massive data. This paper proposes a human behavior recognition mechanism that uses edge⁃cloud collaborative computing driven by big data,which expands the previous centralized computing to edge and cloud collaborative processing. Firstly,at the edge node ,the video is preprocessed to remove similar frames and the extracted skeleton sequence is expressed in multiple levels. Then,the cloud trains the Spatial Temporal Graph ConvNet (ST⁃GCN) model and deploys it to the edge nodes . And the Edge uses the trained model to complete behavior recognition tasks and uploads the results to the cloud for fusion to obtain the final behavior category. The experimental results prove that the proposd algorithm effectively reduces the network transmission volume and cloud storage pressure problems of the previous centralized computing. And the advantages of edge⁃cloud collaboration make the model recognition accuracy rate steadily increasing more than 2.2%.
在监控系统中应用行为识别技术进行实时视频检测和视频内容分析能够实现真正意义上的智能安防,在构建智慧城市中有广泛的应用前景.针对海量监控视频数据,现有的云计算模式已无法全面有效应对其计算与处理,所以,为了提升监控系统的效率,将云计算模式拓展为边云协同计算.苏命峰等[2]研究边云协同计算下基于预测的资源部署与任务调度优化,探索云端服务器从横向和纵向两个时间维度综合预测可能发生的任务,并优化部署边缘节点上任务运行所需资源.游伟和王雪[3]分析边云协同智能技术在电力领域的应用前景,边云协同具有节省带宽、减少时延、保护数据隐私等优点,有助于电力领域的发展.Soleimani and Nazerfard[4]将边云协同架构应用于柔性智能制造技术方案中,为满足SMT产线柔性智能的生产需求,改进原有的单一云计算模式,开展在端、边、云协同下柔性智能制造技术方案的研究.夏士超等[5]设计一个硬件和计算资源结合的分配方案来研究云边协同下的任务卸载,使所有设备的加权时延最小化.
人体的高级特征为骨骼关节点序列,和RGB数据相比,能有效避免由背景遮挡、光照变化以及视角变化产生的噪声影响.在2D或3D坐标形式下,动态骨骼模态可以由人类关节位置的时间序列表示,通过分析其动作模式进行人类行为识别.早期基于骨架序列进行动作识别的方法是使用关节坐标的时间序列形成特征向量,并对其进行时序分析.Jiang et al[6]使用隐马尔科夫模型在时间序列上对行为特征进行建模,详细列举了隐状态下行为模式的转换过程.Kim and Reiter[7]利用Lie群描述骨架特征,然后通过动态时间规整对这些特征在时序上的关系进行描述,最后使用多类支持向量机完成行为识别任务.朱红蕾等[8]设计一种基于VLAD的多特征融合编码方法.Carslake et al[9]设计一种基于骨架特征的时空权重编码方法.但以上这些方法没有充分考虑人类关节在空间上的关系,而这种空间关系对识别人类行为至关重要,因此引入ST⁃GCN来完成图结构数据中人体关节在空间、时间中的特征提取.
当前火热的深度学习在行为识别方面已取得较好成效,其中CNN可以大大提升行为特征在空间域上的表达能力,主要用来挖掘行为识别的空间域模式,而循环神经网络(Recurrent Neural Network,RNN)则挖掘行为识别的时间域模式[10].Ullach et al[11]在已有的生成对抗网络框架基础上构建运动特征生成器,进行判断光流特征的学习.梁冰和纪雯[12]在CNN的基础上对行为特征的时间池化和长期信息依赖进行研究.陈昌红等[13]对时空序列上卷积网络的分解模型展开研究,即把3D的时空卷积分解为2D的空间卷积核和1D的时间卷积层以完成人体行为的表示和识别.蒋伟进等[14]进一步研究2D空间卷积和1D时间池化的组合策略.冯宁等[15]扩展2D卷积操作为3D卷积,并实现了双流的I3D(膨胀3D卷积网络,Inflated3D ConvNet).马腾飞[16]为了完成对人体行为在时空特征上的提取,设计一种双流池化网络,进一步提升特征的表达能力.张玉康等[17]提出一种同步的外观与关系模块SMART,并通过堆叠该模型完成行为时空特征的学习.邹国锋等[18]设计一种多Fiber网络,每个Fiber使用轻量级的卷积,行为识别的运行速度有较大提升.
与样本函数相比,权值函数的定义难度更大.二维卷积中,中心位置周围自然存在一个刚性网格,所以邻域像素有固定的空间顺序,其根据空间顺序索引的张量来执行权重函数.对于上述排布不规律的一般图,Wang et al[26]提出顺序的定义,由根节点周围的邻域图进行标记的过程决定,由此来构建权重函数.任一邻域节点不被单独分配标签,而是将某个关节点的邻域集划分为固定数量的K个子集,每个子集都分配有数字标签,映射关系为
图3为Mahjoub and Atri[29]提出的三种可视化分区策略.图3a为输入的骨架示例框架,人体关节点用蓝点标出,滤波器的接收场用红色虚线框出;图3b为统一标签策略,将邻域集中的所有节点用绿点标出;图3c是距离划分策略,两个子集是根节点本身(绿点标出)和其相邻节点(蓝点标出);图3d是空间配置策略,黑色十字所标点为整体骨架的重心,按照各关节点到骨架重心与根节点(绿色)的距离来标记节点,与重心距离较短的为向心关节点(蓝色),离心节点(黄色)与重心的距离则比根节点长.对基于骨架的行为识别提出的分区策略进行模拟仿真,预计更高级的分区策略将带来更好的建模能力和识别性能.
Machine learning algorithms to classify and quantify multiple behaviours in dairy calves using a sensor:Moving beyond classification in precision livestock
... 在监控系统中应用行为识别技术进行实时视频检测和视频内容分析能够实现真正意义上的智能安防,在构建智慧城市中有广泛的应用前景.针对海量监控视频数据,现有的云计算模式已无法全面有效应对其计算与处理,所以,为了提升监控系统的效率,将云计算模式拓展为边云协同计算.苏命峰等[2]研究边云协同计算下基于预测的资源部署与任务调度优化,探索云端服务器从横向和纵向两个时间维度综合预测可能发生的任务,并优化部署边缘节点上任务运行所需资源.游伟和王雪[3]分析边云协同智能技术在电力领域的应用前景,边云协同具有节省带宽、减少时延、保护数据隐私等优点,有助于电力领域的发展.Soleimani and Nazerfard[4]将边云协同架构应用于柔性智能制造技术方案中,为满足SMT产线柔性智能的生产需求,改进原有的单一云计算模式,开展在端、边、云协同下柔性智能制造技术方案的研究.夏士超等[5]设计一个硬件和计算资源结合的分配方案来研究云边协同下的任务卸载,使所有设备的加权时延最小化. ...
边云协同计算中基于预测的资源部署与任务调度优化
1
2021
... 在监控系统中应用行为识别技术进行实时视频检测和视频内容分析能够实现真正意义上的智能安防,在构建智慧城市中有广泛的应用前景.针对海量监控视频数据,现有的云计算模式已无法全面有效应对其计算与处理,所以,为了提升监控系统的效率,将云计算模式拓展为边云协同计算.苏命峰等[2]研究边云协同计算下基于预测的资源部署与任务调度优化,探索云端服务器从横向和纵向两个时间维度综合预测可能发生的任务,并优化部署边缘节点上任务运行所需资源.游伟和王雪[3]分析边云协同智能技术在电力领域的应用前景,边云协同具有节省带宽、减少时延、保护数据隐私等优点,有助于电力领域的发展.Soleimani and Nazerfard[4]将边云协同架构应用于柔性智能制造技术方案中,为满足SMT产线柔性智能的生产需求,改进原有的单一云计算模式,开展在端、边、云协同下柔性智能制造技术方案的研究.夏士超等[5]设计一个硬件和计算资源结合的分配方案来研究云边协同下的任务卸载,使所有设备的加权时延最小化. ...
人行为骨架特征识别边缘计算方法研究
1
2020
... 在监控系统中应用行为识别技术进行实时视频检测和视频内容分析能够实现真正意义上的智能安防,在构建智慧城市中有广泛的应用前景.针对海量监控视频数据,现有的云计算模式已无法全面有效应对其计算与处理,所以,为了提升监控系统的效率,将云计算模式拓展为边云协同计算.苏命峰等[2]研究边云协同计算下基于预测的资源部署与任务调度优化,探索云端服务器从横向和纵向两个时间维度综合预测可能发生的任务,并优化部署边缘节点上任务运行所需资源.游伟和王雪[3]分析边云协同智能技术在电力领域的应用前景,边云协同具有节省带宽、减少时延、保护数据隐私等优点,有助于电力领域的发展.Soleimani and Nazerfard[4]将边云协同架构应用于柔性智能制造技术方案中,为满足SMT产线柔性智能的生产需求,改进原有的单一云计算模式,开展在端、边、云协同下柔性智能制造技术方案的研究.夏士超等[5]设计一个硬件和计算资源结合的分配方案来研究云边协同下的任务卸载,使所有设备的加权时延最小化. ...
人行为骨架特征识别边缘计算方法研究
1
2020
... 在监控系统中应用行为识别技术进行实时视频检测和视频内容分析能够实现真正意义上的智能安防,在构建智慧城市中有广泛的应用前景.针对海量监控视频数据,现有的云计算模式已无法全面有效应对其计算与处理,所以,为了提升监控系统的效率,将云计算模式拓展为边云协同计算.苏命峰等[2]研究边云协同计算下基于预测的资源部署与任务调度优化,探索云端服务器从横向和纵向两个时间维度综合预测可能发生的任务,并优化部署边缘节点上任务运行所需资源.游伟和王雪[3]分析边云协同智能技术在电力领域的应用前景,边云协同具有节省带宽、减少时延、保护数据隐私等优点,有助于电力领域的发展.Soleimani and Nazerfard[4]将边云协同架构应用于柔性智能制造技术方案中,为满足SMT产线柔性智能的生产需求,改进原有的单一云计算模式,开展在端、边、云协同下柔性智能制造技术方案的研究.夏士超等[5]设计一个硬件和计算资源结合的分配方案来研究云边协同下的任务卸载,使所有设备的加权时延最小化. ...
Cross?subject transfer learning in human activity recognition systems using generative adversarial networks
1
2021
... 在监控系统中应用行为识别技术进行实时视频检测和视频内容分析能够实现真正意义上的智能安防,在构建智慧城市中有广泛的应用前景.针对海量监控视频数据,现有的云计算模式已无法全面有效应对其计算与处理,所以,为了提升监控系统的效率,将云计算模式拓展为边云协同计算.苏命峰等[2]研究边云协同计算下基于预测的资源部署与任务调度优化,探索云端服务器从横向和纵向两个时间维度综合预测可能发生的任务,并优化部署边缘节点上任务运行所需资源.游伟和王雪[3]分析边云协同智能技术在电力领域的应用前景,边云协同具有节省带宽、减少时延、保护数据隐私等优点,有助于电力领域的发展.Soleimani and Nazerfard[4]将边云协同架构应用于柔性智能制造技术方案中,为满足SMT产线柔性智能的生产需求,改进原有的单一云计算模式,开展在端、边、云协同下柔性智能制造技术方案的研究.夏士超等[5]设计一个硬件和计算资源结合的分配方案来研究云边协同下的任务卸载,使所有设备的加权时延最小化. ...
移动边缘计算中分布式异构任务卸载算法
1
2020
... 在监控系统中应用行为识别技术进行实时视频检测和视频内容分析能够实现真正意义上的智能安防,在构建智慧城市中有广泛的应用前景.针对海量监控视频数据,现有的云计算模式已无法全面有效应对其计算与处理,所以,为了提升监控系统的效率,将云计算模式拓展为边云协同计算.苏命峰等[2]研究边云协同计算下基于预测的资源部署与任务调度优化,探索云端服务器从横向和纵向两个时间维度综合预测可能发生的任务,并优化部署边缘节点上任务运行所需资源.游伟和王雪[3]分析边云协同智能技术在电力领域的应用前景,边云协同具有节省带宽、减少时延、保护数据隐私等优点,有助于电力领域的发展.Soleimani and Nazerfard[4]将边云协同架构应用于柔性智能制造技术方案中,为满足SMT产线柔性智能的生产需求,改进原有的单一云计算模式,开展在端、边、云协同下柔性智能制造技术方案的研究.夏士超等[5]设计一个硬件和计算资源结合的分配方案来研究云边协同下的任务卸载,使所有设备的加权时延最小化. ...
移动边缘计算中分布式异构任务卸载算法
1
2020
... 在监控系统中应用行为识别技术进行实时视频检测和视频内容分析能够实现真正意义上的智能安防,在构建智慧城市中有广泛的应用前景.针对海量监控视频数据,现有的云计算模式已无法全面有效应对其计算与处理,所以,为了提升监控系统的效率,将云计算模式拓展为边云协同计算.苏命峰等[2]研究边云协同计算下基于预测的资源部署与任务调度优化,探索云端服务器从横向和纵向两个时间维度综合预测可能发生的任务,并优化部署边缘节点上任务运行所需资源.游伟和王雪[3]分析边云协同智能技术在电力领域的应用前景,边云协同具有节省带宽、减少时延、保护数据隐私等优点,有助于电力领域的发展.Soleimani and Nazerfard[4]将边云协同架构应用于柔性智能制造技术方案中,为满足SMT产线柔性智能的生产需求,改进原有的单一云计算模式,开展在端、边、云协同下柔性智能制造技术方案的研究.夏士超等[5]设计一个硬件和计算资源结合的分配方案来研究云边协同下的任务卸载,使所有设备的加权时延最小化. ...
A new time?aware collaborative filtering intelligent recommen?dation system
1
2019
... 人体的高级特征为骨骼关节点序列,和RGB数据相比,能有效避免由背景遮挡、光照变化以及视角变化产生的噪声影响.在2D或3D坐标形式下,动态骨骼模态可以由人类关节位置的时间序列表示,通过分析其动作模式进行人类行为识别.早期基于骨架序列进行动作识别的方法是使用关节坐标的时间序列形成特征向量,并对其进行时序分析.Jiang et al[6]使用隐马尔科夫模型在时间序列上对行为特征进行建模,详细列举了隐状态下行为模式的转换过程.Kim and Reiter[7]利用Lie群描述骨架特征,然后通过动态时间规整对这些特征在时序上的关系进行描述,最后使用多类支持向量机完成行为识别任务.朱红蕾等[8]设计一种基于VLAD的多特征融合编码方法.Carslake et al[9]设计一种基于骨架特征的时空权重编码方法.但以上这些方法没有充分考虑人类关节在空间上的关系,而这种空间关系对识别人类行为至关重要,因此引入ST⁃GCN来完成图结构数据中人体关节在空间、时间中的特征提取. ...
Interpretable 3D human action analysis with temporal convolutional networks
1
2017
... 人体的高级特征为骨骼关节点序列,和RGB数据相比,能有效避免由背景遮挡、光照变化以及视角变化产生的噪声影响.在2D或3D坐标形式下,动态骨骼模态可以由人类关节位置的时间序列表示,通过分析其动作模式进行人类行为识别.早期基于骨架序列进行动作识别的方法是使用关节坐标的时间序列形成特征向量,并对其进行时序分析.Jiang et al[6]使用隐马尔科夫模型在时间序列上对行为特征进行建模,详细列举了隐状态下行为模式的转换过程.Kim and Reiter[7]利用Lie群描述骨架特征,然后通过动态时间规整对这些特征在时序上的关系进行描述,最后使用多类支持向量机完成行为识别任务.朱红蕾等[8]设计一种基于VLAD的多特征融合编码方法.Carslake et al[9]设计一种基于骨架特征的时空权重编码方法.但以上这些方法没有充分考虑人类关节在空间上的关系,而这种空间关系对识别人类行为至关重要,因此引入ST⁃GCN来完成图结构数据中人体关节在空间、时间中的特征提取. ...
人体行为识别数据集研究进展
1
2018
... 人体的高级特征为骨骼关节点序列,和RGB数据相比,能有效避免由背景遮挡、光照变化以及视角变化产生的噪声影响.在2D或3D坐标形式下,动态骨骼模态可以由人类关节位置的时间序列表示,通过分析其动作模式进行人类行为识别.早期基于骨架序列进行动作识别的方法是使用关节坐标的时间序列形成特征向量,并对其进行时序分析.Jiang et al[6]使用隐马尔科夫模型在时间序列上对行为特征进行建模,详细列举了隐状态下行为模式的转换过程.Kim and Reiter[7]利用Lie群描述骨架特征,然后通过动态时间规整对这些特征在时序上的关系进行描述,最后使用多类支持向量机完成行为识别任务.朱红蕾等[8]设计一种基于VLAD的多特征融合编码方法.Carslake et al[9]设计一种基于骨架特征的时空权重编码方法.但以上这些方法没有充分考虑人类关节在空间上的关系,而这种空间关系对识别人类行为至关重要,因此引入ST⁃GCN来完成图结构数据中人体关节在空间、时间中的特征提取. ...
人体行为识别数据集研究进展
1
2018
... 人体的高级特征为骨骼关节点序列,和RGB数据相比,能有效避免由背景遮挡、光照变化以及视角变化产生的噪声影响.在2D或3D坐标形式下,动态骨骼模态可以由人类关节位置的时间序列表示,通过分析其动作模式进行人类行为识别.早期基于骨架序列进行动作识别的方法是使用关节坐标的时间序列形成特征向量,并对其进行时序分析.Jiang et al[6]使用隐马尔科夫模型在时间序列上对行为特征进行建模,详细列举了隐状态下行为模式的转换过程.Kim and Reiter[7]利用Lie群描述骨架特征,然后通过动态时间规整对这些特征在时序上的关系进行描述,最后使用多类支持向量机完成行为识别任务.朱红蕾等[8]设计一种基于VLAD的多特征融合编码方法.Carslake et al[9]设计一种基于骨架特征的时空权重编码方法.但以上这些方法没有充分考虑人类关节在空间上的关系,而这种空间关系对识别人类行为至关重要,因此引入ST⁃GCN来完成图结构数据中人体关节在空间、时间中的特征提取. ...
Machine learning algorithms to classify and quantify multiple behaviours in dairy calves using a sensor:Moving beyond classification in precision livestock
1
2020
... 人体的高级特征为骨骼关节点序列,和RGB数据相比,能有效避免由背景遮挡、光照变化以及视角变化产生的噪声影响.在2D或3D坐标形式下,动态骨骼模态可以由人类关节位置的时间序列表示,通过分析其动作模式进行人类行为识别.早期基于骨架序列进行动作识别的方法是使用关节坐标的时间序列形成特征向量,并对其进行时序分析.Jiang et al[6]使用隐马尔科夫模型在时间序列上对行为特征进行建模,详细列举了隐状态下行为模式的转换过程.Kim and Reiter[7]利用Lie群描述骨架特征,然后通过动态时间规整对这些特征在时序上的关系进行描述,最后使用多类支持向量机完成行为识别任务.朱红蕾等[8]设计一种基于VLAD的多特征融合编码方法.Carslake et al[9]设计一种基于骨架特征的时空权重编码方法.但以上这些方法没有充分考虑人类关节在空间上的关系,而这种空间关系对识别人类行为至关重要,因此引入ST⁃GCN来完成图结构数据中人体关节在空间、时间中的特征提取. ...
基于局部约束仿射子空间编码的时空特征聚合卷积网络模型
1
2020
... 当前火热的深度学习在行为识别方面已取得较好成效,其中CNN可以大大提升行为特征在空间域上的表达能力,主要用来挖掘行为识别的空间域模式,而循环神经网络(Recurrent Neural Network,RNN)则挖掘行为识别的时间域模式[10].Ullach et al[11]在已有的生成对抗网络框架基础上构建运动特征生成器,进行判断光流特征的学习.梁冰和纪雯[12]在CNN的基础上对行为特征的时间池化和长期信息依赖进行研究.陈昌红等[13]对时空序列上卷积网络的分解模型展开研究,即把3D的时空卷积分解为2D的空间卷积核和1D的时间卷积层以完成人体行为的表示和识别.蒋伟进等[14]进一步研究2D空间卷积和1D时间池化的组合策略.冯宁等[15]扩展2D卷积操作为3D卷积,并实现了双流的I3D(膨胀3D卷积网络,Inflated3D ConvNet).马腾飞[16]为了完成对人体行为在时空特征上的提取,设计一种双流池化网络,进一步提升特征的表达能力.张玉康等[17]提出一种同步的外观与关系模块SMART,并通过堆叠该模型完成行为时空特征的学习.邹国锋等[18]设计一种多Fiber网络,每个Fiber使用轻量级的卷积,行为识别的运行速度有较大提升. ...
基于局部约束仿射子空间编码的时空特征聚合卷积网络模型
1
2020
... 当前火热的深度学习在行为识别方面已取得较好成效,其中CNN可以大大提升行为特征在空间域上的表达能力,主要用来挖掘行为识别的空间域模式,而循环神经网络(Recurrent Neural Network,RNN)则挖掘行为识别的时间域模式[10].Ullach et al[11]在已有的生成对抗网络框架基础上构建运动特征生成器,进行判断光流特征的学习.梁冰和纪雯[12]在CNN的基础上对行为特征的时间池化和长期信息依赖进行研究.陈昌红等[13]对时空序列上卷积网络的分解模型展开研究,即把3D的时空卷积分解为2D的空间卷积核和1D的时间卷积层以完成人体行为的表示和识别.蒋伟进等[14]进一步研究2D空间卷积和1D时间池化的组合策略.冯宁等[15]扩展2D卷积操作为3D卷积,并实现了双流的I3D(膨胀3D卷积网络,Inflated3D ConvNet).马腾飞[16]为了完成对人体行为在时空特征上的提取,设计一种双流池化网络,进一步提升特征的表达能力.张玉康等[17]提出一种同步的外观与关系模块SMART,并通过堆叠该模型完成行为时空特征的学习.邹国锋等[18]设计一种多Fiber网络,每个Fiber使用轻量级的卷积,行为识别的运行速度有较大提升. ...
Conflux LSTMs network:A novel approach for multi?view action recognition
1
2021
... 当前火热的深度学习在行为识别方面已取得较好成效,其中CNN可以大大提升行为特征在空间域上的表达能力,主要用来挖掘行为识别的空间域模式,而循环神经网络(Recurrent Neural Network,RNN)则挖掘行为识别的时间域模式[10].Ullach et al[11]在已有的生成对抗网络框架基础上构建运动特征生成器,进行判断光流特征的学习.梁冰和纪雯[12]在CNN的基础上对行为特征的时间池化和长期信息依赖进行研究.陈昌红等[13]对时空序列上卷积网络的分解模型展开研究,即把3D的时空卷积分解为2D的空间卷积核和1D的时间卷积层以完成人体行为的表示和识别.蒋伟进等[14]进一步研究2D空间卷积和1D时间池化的组合策略.冯宁等[15]扩展2D卷积操作为3D卷积,并实现了双流的I3D(膨胀3D卷积网络,Inflated3D ConvNet).马腾飞[16]为了完成对人体行为在时空特征上的提取,设计一种双流池化网络,进一步提升特征的表达能力.张玉康等[17]提出一种同步的外观与关系模块SMART,并通过堆叠该模型完成行为时空特征的学习.邹国锋等[18]设计一种多Fiber网络,每个Fiber使用轻量级的卷积,行为识别的运行速度有较大提升. ...
基于次模优化的边云协同多用户计算任务迁移方法
1
2020
... 当前火热的深度学习在行为识别方面已取得较好成效,其中CNN可以大大提升行为特征在空间域上的表达能力,主要用来挖掘行为识别的空间域模式,而循环神经网络(Recurrent Neural Network,RNN)则挖掘行为识别的时间域模式[10].Ullach et al[11]在已有的生成对抗网络框架基础上构建运动特征生成器,进行判断光流特征的学习.梁冰和纪雯[12]在CNN的基础上对行为特征的时间池化和长期信息依赖进行研究.陈昌红等[13]对时空序列上卷积网络的分解模型展开研究,即把3D的时空卷积分解为2D的空间卷积核和1D的时间卷积层以完成人体行为的表示和识别.蒋伟进等[14]进一步研究2D空间卷积和1D时间池化的组合策略.冯宁等[15]扩展2D卷积操作为3D卷积,并实现了双流的I3D(膨胀3D卷积网络,Inflated3D ConvNet).马腾飞[16]为了完成对人体行为在时空特征上的提取,设计一种双流池化网络,进一步提升特征的表达能力.张玉康等[17]提出一种同步的外观与关系模块SMART,并通过堆叠该模型完成行为时空特征的学习.邹国锋等[18]设计一种多Fiber网络,每个Fiber使用轻量级的卷积,行为识别的运行速度有较大提升. ...
基于次模优化的边云协同多用户计算任务迁移方法
1
2020
... 当前火热的深度学习在行为识别方面已取得较好成效,其中CNN可以大大提升行为特征在空间域上的表达能力,主要用来挖掘行为识别的空间域模式,而循环神经网络(Recurrent Neural Network,RNN)则挖掘行为识别的时间域模式[10].Ullach et al[11]在已有的生成对抗网络框架基础上构建运动特征生成器,进行判断光流特征的学习.梁冰和纪雯[12]在CNN的基础上对行为特征的时间池化和长期信息依赖进行研究.陈昌红等[13]对时空序列上卷积网络的分解模型展开研究,即把3D的时空卷积分解为2D的空间卷积核和1D的时间卷积层以完成人体行为的表示和识别.蒋伟进等[14]进一步研究2D空间卷积和1D时间池化的组合策略.冯宁等[15]扩展2D卷积操作为3D卷积,并实现了双流的I3D(膨胀3D卷积网络,Inflated3D ConvNet).马腾飞[16]为了完成对人体行为在时空特征上的提取,设计一种双流池化网络,进一步提升特征的表达能力.张玉康等[17]提出一种同步的外观与关系模块SMART,并通过堆叠该模型完成行为时空特征的学习.邹国锋等[18]设计一种多Fiber网络,每个Fiber使用轻量级的卷积,行为识别的运行速度有较大提升. ...
基于深度哈希算法的极光图像分类与检索方法
1
2020
... 当前火热的深度学习在行为识别方面已取得较好成效,其中CNN可以大大提升行为特征在空间域上的表达能力,主要用来挖掘行为识别的空间域模式,而循环神经网络(Recurrent Neural Network,RNN)则挖掘行为识别的时间域模式[10].Ullach et al[11]在已有的生成对抗网络框架基础上构建运动特征生成器,进行判断光流特征的学习.梁冰和纪雯[12]在CNN的基础上对行为特征的时间池化和长期信息依赖进行研究.陈昌红等[13]对时空序列上卷积网络的分解模型展开研究,即把3D的时空卷积分解为2D的空间卷积核和1D的时间卷积层以完成人体行为的表示和识别.蒋伟进等[14]进一步研究2D空间卷积和1D时间池化的组合策略.冯宁等[15]扩展2D卷积操作为3D卷积,并实现了双流的I3D(膨胀3D卷积网络,Inflated3D ConvNet).马腾飞[16]为了完成对人体行为在时空特征上的提取,设计一种双流池化网络,进一步提升特征的表达能力.张玉康等[17]提出一种同步的外观与关系模块SMART,并通过堆叠该模型完成行为时空特征的学习.邹国锋等[18]设计一种多Fiber网络,每个Fiber使用轻量级的卷积,行为识别的运行速度有较大提升. ...
基于深度哈希算法的极光图像分类与检索方法
1
2020
... 当前火热的深度学习在行为识别方面已取得较好成效,其中CNN可以大大提升行为特征在空间域上的表达能力,主要用来挖掘行为识别的空间域模式,而循环神经网络(Recurrent Neural Network,RNN)则挖掘行为识别的时间域模式[10].Ullach et al[11]在已有的生成对抗网络框架基础上构建运动特征生成器,进行判断光流特征的学习.梁冰和纪雯[12]在CNN的基础上对行为特征的时间池化和长期信息依赖进行研究.陈昌红等[13]对时空序列上卷积网络的分解模型展开研究,即把3D的时空卷积分解为2D的空间卷积核和1D的时间卷积层以完成人体行为的表示和识别.蒋伟进等[14]进一步研究2D空间卷积和1D时间池化的组合策略.冯宁等[15]扩展2D卷积操作为3D卷积,并实现了双流的I3D(膨胀3D卷积网络,Inflated3D ConvNet).马腾飞[16]为了完成对人体行为在时空特征上的提取,设计一种双流池化网络,进一步提升特征的表达能力.张玉康等[17]提出一种同步的外观与关系模块SMART,并通过堆叠该模型完成行为时空特征的学习.邹国锋等[18]设计一种多Fiber网络,每个Fiber使用轻量级的卷积,行为识别的运行速度有较大提升. ...
基于时序活动逻辑的复杂系统多Agent动态协作模型
1
2013
... 当前火热的深度学习在行为识别方面已取得较好成效,其中CNN可以大大提升行为特征在空间域上的表达能力,主要用来挖掘行为识别的空间域模式,而循环神经网络(Recurrent Neural Network,RNN)则挖掘行为识别的时间域模式[10].Ullach et al[11]在已有的生成对抗网络框架基础上构建运动特征生成器,进行判断光流特征的学习.梁冰和纪雯[12]在CNN的基础上对行为特征的时间池化和长期信息依赖进行研究.陈昌红等[13]对时空序列上卷积网络的分解模型展开研究,即把3D的时空卷积分解为2D的空间卷积核和1D的时间卷积层以完成人体行为的表示和识别.蒋伟进等[14]进一步研究2D空间卷积和1D时间池化的组合策略.冯宁等[15]扩展2D卷积操作为3D卷积,并实现了双流的I3D(膨胀3D卷积网络,Inflated3D ConvNet).马腾飞[16]为了完成对人体行为在时空特征上的提取,设计一种双流池化网络,进一步提升特征的表达能力.张玉康等[17]提出一种同步的外观与关系模块SMART,并通过堆叠该模型完成行为时空特征的学习.邹国锋等[18]设计一种多Fiber网络,每个Fiber使用轻量级的卷积,行为识别的运行速度有较大提升. ...
基于时序活动逻辑的复杂系统多Agent动态协作模型
1
2013
... 当前火热的深度学习在行为识别方面已取得较好成效,其中CNN可以大大提升行为特征在空间域上的表达能力,主要用来挖掘行为识别的空间域模式,而循环神经网络(Recurrent Neural Network,RNN)则挖掘行为识别的时间域模式[10].Ullach et al[11]在已有的生成对抗网络框架基础上构建运动特征生成器,进行判断光流特征的学习.梁冰和纪雯[12]在CNN的基础上对行为特征的时间池化和长期信息依赖进行研究.陈昌红等[13]对时空序列上卷积网络的分解模型展开研究,即把3D的时空卷积分解为2D的空间卷积核和1D的时间卷积层以完成人体行为的表示和识别.蒋伟进等[14]进一步研究2D空间卷积和1D时间池化的组合策略.冯宁等[15]扩展2D卷积操作为3D卷积,并实现了双流的I3D(膨胀3D卷积网络,Inflated3D ConvNet).马腾飞[16]为了完成对人体行为在时空特征上的提取,设计一种双流池化网络,进一步提升特征的表达能力.张玉康等[17]提出一种同步的外观与关系模块SMART,并通过堆叠该模型完成行为时空特征的学习.邹国锋等[18]设计一种多Fiber网络,每个Fiber使用轻量级的卷积,行为识别的运行速度有较大提升. ...
面向交通流量预测的多组件时空图卷积网络
1
2019
... 当前火热的深度学习在行为识别方面已取得较好成效,其中CNN可以大大提升行为特征在空间域上的表达能力,主要用来挖掘行为识别的空间域模式,而循环神经网络(Recurrent Neural Network,RNN)则挖掘行为识别的时间域模式[10].Ullach et al[11]在已有的生成对抗网络框架基础上构建运动特征生成器,进行判断光流特征的学习.梁冰和纪雯[12]在CNN的基础上对行为特征的时间池化和长期信息依赖进行研究.陈昌红等[13]对时空序列上卷积网络的分解模型展开研究,即把3D的时空卷积分解为2D的空间卷积核和1D的时间卷积层以完成人体行为的表示和识别.蒋伟进等[14]进一步研究2D空间卷积和1D时间池化的组合策略.冯宁等[15]扩展2D卷积操作为3D卷积,并实现了双流的I3D(膨胀3D卷积网络,Inflated3D ConvNet).马腾飞[16]为了完成对人体行为在时空特征上的提取,设计一种双流池化网络,进一步提升特征的表达能力.张玉康等[17]提出一种同步的外观与关系模块SMART,并通过堆叠该模型完成行为时空特征的学习.邹国锋等[18]设计一种多Fiber网络,每个Fiber使用轻量级的卷积,行为识别的运行速度有较大提升. ...
面向交通流量预测的多组件时空图卷积网络
1
2019
... 当前火热的深度学习在行为识别方面已取得较好成效,其中CNN可以大大提升行为特征在空间域上的表达能力,主要用来挖掘行为识别的空间域模式,而循环神经网络(Recurrent Neural Network,RNN)则挖掘行为识别的时间域模式[10].Ullach et al[11]在已有的生成对抗网络框架基础上构建运动特征生成器,进行判断光流特征的学习.梁冰和纪雯[12]在CNN的基础上对行为特征的时间池化和长期信息依赖进行研究.陈昌红等[13]对时空序列上卷积网络的分解模型展开研究,即把3D的时空卷积分解为2D的空间卷积核和1D的时间卷积层以完成人体行为的表示和识别.蒋伟进等[14]进一步研究2D空间卷积和1D时间池化的组合策略.冯宁等[15]扩展2D卷积操作为3D卷积,并实现了双流的I3D(膨胀3D卷积网络,Inflated3D ConvNet).马腾飞[16]为了完成对人体行为在时空特征上的提取,设计一种双流池化网络,进一步提升特征的表达能力.张玉康等[17]提出一种同步的外观与关系模块SMART,并通过堆叠该模型完成行为时空特征的学习.邹国锋等[18]设计一种多Fiber网络,每个Fiber使用轻量级的卷积,行为识别的运行速度有较大提升. ...
自适应特征匹配的行人识别技术研究及实现
1
2020
... 当前火热的深度学习在行为识别方面已取得较好成效,其中CNN可以大大提升行为特征在空间域上的表达能力,主要用来挖掘行为识别的空间域模式,而循环神经网络(Recurrent Neural Network,RNN)则挖掘行为识别的时间域模式[10].Ullach et al[11]在已有的生成对抗网络框架基础上构建运动特征生成器,进行判断光流特征的学习.梁冰和纪雯[12]在CNN的基础上对行为特征的时间池化和长期信息依赖进行研究.陈昌红等[13]对时空序列上卷积网络的分解模型展开研究,即把3D的时空卷积分解为2D的空间卷积核和1D的时间卷积层以完成人体行为的表示和识别.蒋伟进等[14]进一步研究2D空间卷积和1D时间池化的组合策略.冯宁等[15]扩展2D卷积操作为3D卷积,并实现了双流的I3D(膨胀3D卷积网络,Inflated3D ConvNet).马腾飞[16]为了完成对人体行为在时空特征上的提取,设计一种双流池化网络,进一步提升特征的表达能力.张玉康等[17]提出一种同步的外观与关系模块SMART,并通过堆叠该模型完成行为时空特征的学习.邹国锋等[18]设计一种多Fiber网络,每个Fiber使用轻量级的卷积,行为识别的运行速度有较大提升. ...
自适应特征匹配的行人识别技术研究及实现
1
2020
... 当前火热的深度学习在行为识别方面已取得较好成效,其中CNN可以大大提升行为特征在空间域上的表达能力,主要用来挖掘行为识别的空间域模式,而循环神经网络(Recurrent Neural Network,RNN)则挖掘行为识别的时间域模式[10].Ullach et al[11]在已有的生成对抗网络框架基础上构建运动特征生成器,进行判断光流特征的学习.梁冰和纪雯[12]在CNN的基础上对行为特征的时间池化和长期信息依赖进行研究.陈昌红等[13]对时空序列上卷积网络的分解模型展开研究,即把3D的时空卷积分解为2D的空间卷积核和1D的时间卷积层以完成人体行为的表示和识别.蒋伟进等[14]进一步研究2D空间卷积和1D时间池化的组合策略.冯宁等[15]扩展2D卷积操作为3D卷积,并实现了双流的I3D(膨胀3D卷积网络,Inflated3D ConvNet).马腾飞[16]为了完成对人体行为在时空特征上的提取,设计一种双流池化网络,进一步提升特征的表达能力.张玉康等[17]提出一种同步的外观与关系模块SMART,并通过堆叠该模型完成行为时空特征的学习.邹国锋等[18]设计一种多Fiber网络,每个Fiber使用轻量级的卷积,行为识别的运行速度有较大提升. ...
基于图像和特征联合约束的跨模态行人重识别
1
2021
... 当前火热的深度学习在行为识别方面已取得较好成效,其中CNN可以大大提升行为特征在空间域上的表达能力,主要用来挖掘行为识别的空间域模式,而循环神经网络(Recurrent Neural Network,RNN)则挖掘行为识别的时间域模式[10].Ullach et al[11]在已有的生成对抗网络框架基础上构建运动特征生成器,进行判断光流特征的学习.梁冰和纪雯[12]在CNN的基础上对行为特征的时间池化和长期信息依赖进行研究.陈昌红等[13]对时空序列上卷积网络的分解模型展开研究,即把3D的时空卷积分解为2D的空间卷积核和1D的时间卷积层以完成人体行为的表示和识别.蒋伟进等[14]进一步研究2D空间卷积和1D时间池化的组合策略.冯宁等[15]扩展2D卷积操作为3D卷积,并实现了双流的I3D(膨胀3D卷积网络,Inflated3D ConvNet).马腾飞[16]为了完成对人体行为在时空特征上的提取,设计一种双流池化网络,进一步提升特征的表达能力.张玉康等[17]提出一种同步的外观与关系模块SMART,并通过堆叠该模型完成行为时空特征的学习.邹国锋等[18]设计一种多Fiber网络,每个Fiber使用轻量级的卷积,行为识别的运行速度有较大提升. ...
基于图像和特征联合约束的跨模态行人重识别
1
2021
... 当前火热的深度学习在行为识别方面已取得较好成效,其中CNN可以大大提升行为特征在空间域上的表达能力,主要用来挖掘行为识别的空间域模式,而循环神经网络(Recurrent Neural Network,RNN)则挖掘行为识别的时间域模式[10].Ullach et al[11]在已有的生成对抗网络框架基础上构建运动特征生成器,进行判断光流特征的学习.梁冰和纪雯[12]在CNN的基础上对行为特征的时间池化和长期信息依赖进行研究.陈昌红等[13]对时空序列上卷积网络的分解模型展开研究,即把3D的时空卷积分解为2D的空间卷积核和1D的时间卷积层以完成人体行为的表示和识别.蒋伟进等[14]进一步研究2D空间卷积和1D时间池化的组合策略.冯宁等[15]扩展2D卷积操作为3D卷积,并实现了双流的I3D(膨胀3D卷积网络,Inflated3D ConvNet).马腾飞[16]为了完成对人体行为在时空特征上的提取,设计一种双流池化网络,进一步提升特征的表达能力.张玉康等[17]提出一种同步的外观与关系模块SMART,并通过堆叠该模型完成行为时空特征的学习.邹国锋等[18]设计一种多Fiber网络,每个Fiber使用轻量级的卷积,行为识别的运行速度有较大提升. ...
行人重识别中度量学习方法研究进展
1
2021
... 当前火热的深度学习在行为识别方面已取得较好成效,其中CNN可以大大提升行为特征在空间域上的表达能力,主要用来挖掘行为识别的空间域模式,而循环神经网络(Recurrent Neural Network,RNN)则挖掘行为识别的时间域模式[10].Ullach et al[11]在已有的生成对抗网络框架基础上构建运动特征生成器,进行判断光流特征的学习.梁冰和纪雯[12]在CNN的基础上对行为特征的时间池化和长期信息依赖进行研究.陈昌红等[13]对时空序列上卷积网络的分解模型展开研究,即把3D的时空卷积分解为2D的空间卷积核和1D的时间卷积层以完成人体行为的表示和识别.蒋伟进等[14]进一步研究2D空间卷积和1D时间池化的组合策略.冯宁等[15]扩展2D卷积操作为3D卷积,并实现了双流的I3D(膨胀3D卷积网络,Inflated3D ConvNet).马腾飞[16]为了完成对人体行为在时空特征上的提取,设计一种双流池化网络,进一步提升特征的表达能力.张玉康等[17]提出一种同步的外观与关系模块SMART,并通过堆叠该模型完成行为时空特征的学习.邹国锋等[18]设计一种多Fiber网络,每个Fiber使用轻量级的卷积,行为识别的运行速度有较大提升. ...
行人重识别中度量学习方法研究进展
1
2021
... 当前火热的深度学习在行为识别方面已取得较好成效,其中CNN可以大大提升行为特征在空间域上的表达能力,主要用来挖掘行为识别的空间域模式,而循环神经网络(Recurrent Neural Network,RNN)则挖掘行为识别的时间域模式[10].Ullach et al[11]在已有的生成对抗网络框架基础上构建运动特征生成器,进行判断光流特征的学习.梁冰和纪雯[12]在CNN的基础上对行为特征的时间池化和长期信息依赖进行研究.陈昌红等[13]对时空序列上卷积网络的分解模型展开研究,即把3D的时空卷积分解为2D的空间卷积核和1D的时间卷积层以完成人体行为的表示和识别.蒋伟进等[14]进一步研究2D空间卷积和1D时间池化的组合策略.冯宁等[15]扩展2D卷积操作为3D卷积,并实现了双流的I3D(膨胀3D卷积网络,Inflated3D ConvNet).马腾飞[16]为了完成对人体行为在时空特征上的提取,设计一种双流池化网络,进一步提升特征的表达能力.张玉康等[17]提出一种同步的外观与关系模块SMART,并通过堆叠该模型完成行为时空特征的学习.邹国锋等[18]设计一种多Fiber网络,每个Fiber使用轻量级的卷积,行为识别的运行速度有较大提升. ...
Action recognition with trajectory?pooled deep?convolutional descriptors
1
2015
... 与样本函数相比,权值函数的定义难度更大.二维卷积中,中心位置周围自然存在一个刚性网格,所以邻域像素有固定的空间顺序,其根据空间顺序索引的张量来执行权重函数.对于上述排布不规律的一般图,Wang et al[26]提出顺序的定义,由根节点周围的邻域图进行标记的过程决定,由此来构建权重函数.任一邻域节点不被单独分配标签,而是将某个关节点的邻域集划分为固定数量的K个子集,每个子集都分配有数字标签,映射关系为 ...
Skeleton?based online action prediction using scale selection network
A flexible high?level fusion for an accurate human action recognition system
1
2020
... 图3为Mahjoub and Atri[29]提出的三种可视化分区策略.图3a为输入的骨架示例框架,人体关节点用蓝点标出,滤波器的接收场用红色虚线框出;图3b为统一标签策略,将邻域集中的所有节点用绿点标出;图3c是距离划分策略,两个子集是根节点本身(绿点标出)和其相邻节点(蓝点标出);图3d是空间配置策略,黑色十字所标点为整体骨架的重心,按照各关节点到骨架重心与根节点(绿色)的距离来标记节点,与重心距离较短的为向心关节点(蓝色),离心节点(黄色)与重心的距离则比根节点长.对基于骨架的行为识别提出的分区策略进行模拟仿真,预计更高级的分区策略将带来更好的建模能力和识别性能. ...