Enhanced skeleton visualization for view invariant human action recognition

شناخت عملکرد انسان براساس اسکلت ها، کاربرد گسترده ای در تعامل انسان و کامپیوتر و نظارت هوشمند دارد. با این حال، مشاهده تغییرات و داده های پر سر و صدا باعث می شود چالش های این کار. علاوه بر این، مشکل به طور موثر نشان دادن توالی های اسکلت فضایی و زمانی است. برای حل این مشکلات در یک هدف، این کار روش پیشرفته اسکلت را برای مشاهده تشخیص عملی غیر انسانی ارائه می دهد. روش ما شامل سه مرحله است. در ابتدا، یک تغییر غیرمستقیم از دیدگاه مبتنی بر دنباله، برای از بین بردن اثر تغییرات دید در مکان های فضایی-زمانی در مفصل اسکلت ایجاد شده است. دوم، اسکلت های تبدیل شده به عنوان یک سری از تصاویر رنگی تجسم می شوند که به طور ضمنی اطلاعات مکانی و زمانی مربوط به مفاصل اسکلت را رمزگذاری می کند. علاوه بر این، روش های بهبود بصری و حرکتی بر روی تصاویر رنگی برای بهبود الگوهای محلی خود اعمال می شود. سوم، مدل مبتنی بر شبکه عصبی کانولوشه ای است که برای استخراج ویژگی های قوی و متنوع از تصاویر رنگی به کار می رود. نمرات کلاس نهایی از طریق هماهنگی تصمیم گیری از ویژگی های عمیق تولید می شود. آزمایش های گسترده در چهار مجموعه داده های چالش برانگیز، برتری روش ما را نشان می دهد.