检索结果-南通市图书馆

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

时空双仿射微分不变量及骨架动作识别

中国图象图形学报 2021年第12期26卷 2879-2891页

作者：李琪墨瀚林赵婧涵郝宏翔李华中国科学院计算技术研究所智能信息处理重点实验室北京100190 中国科学院大学北京100049

目的人体骨架的动态变化对于动作识别具有重要意义。从关节轨迹的角度出发,部分对动作类别判定具有价值的关节轨迹传达了最重要的信息。在同一动作的每次尝试中,相应关节的轨迹一般具有相似的基本形状,但其具体形式会受到一定的畸变影... 详细信息

目的人体骨架的动态变化对于动作识别具有重要意义。从关节轨迹的角度出发,部分对动作类别判定具有价值的关节轨迹传达了最重要的信息。在同一动作的每次尝试中,相应关节的轨迹一般具有相似的基本形状,但其具体形式会受到一定的畸变影响。基于对畸变因素的分析,将人体运动中关节轨迹的常见变换建模为时空双仿射变换。方法首先用一个统一的表达式以内外变换的形式将时空双仿射变换进行描述。基于变换前后轨迹曲线的微分关系推导设计了双仿射微分不变量,用于描述关节轨迹的局部属性。基于微分不变量和关节坐标在数据结构上的同构特点,提出了一种通道增强方法,使用微分不变量将输入数据沿通道维度扩展后,输入神经网络进行训练与评估,用于提高神经网络的泛化能力。结果实验在两个大型动作识别数据集NTU(Nanyang Technological University)RGB+D(NTU 60)和NTU RGB+D 120(NTU 120)上与若干最新方法及两种基线方法进行比较,在两种实验设置(跨参与者识别与跨视角识别)中均取得了明显的改进结果。相比于使用原始数据的时空图神经卷积网络(spatio-temporal graph convolutional networks,ST-GCN),在NTU 60数据集中,跨参与者与跨视角的识别准确率分别提高了1.9%和3.0%;在NTU 120数据集中,跨参与者与跨环境的识别准确率分别提高了5.6%和4.5%。同时对比于数据增强,基于不变特征的通道增强方法在两种实验设置下都能有明显改善,更为有效地提升了网络的泛化能力。结论本文提出的不变特征与通道增强,直观有效地综合了传统特征和深度学习的优点,有效提高了骨架动作识别的准确性,改善了神经网络的泛化能力。

关键词：运动分析骨架动作识别时空双仿射变换微分不变量通道增强泛化能力

融合内在拓扑与多尺度时间特征的骨架动作识别

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

计算机工程与应用 2024年

作者：王琪何宁北京联合大学北京市信息服务工程重点实验室北京联合大学智慧城市学院

图卷积网络在基于骨架的人体动作识别任务中发挥着关键作用。为了解决现有的图卷积网络忽略内在关系、时间卷积功能受限以及未能充分探索关节与骨骼之间潜在功能相关性等问题，提出一种融合内在拓扑与多尺度时间特征的骨架动作识别方法... 详细信息

图卷积网络在基于骨架的人体动作识别任务中发挥着关键作用。为了解决现有的图卷积网络忽略内在关系、时间卷积功能受限以及未能充分探索关节与骨骼之间潜在功能相关性等问题，提出一种融合内在拓扑与多尺度时间特征的骨架动作识别方法。首先，为推断上下文内在拓扑关系，模型利用多头自注意力机制和共享拓扑构建内在拓扑空间图卷积模块；其次，基于复杂的动作序列分析构建多尺度时间卷积模块，旨在扩展时间卷积结构并捕捉多尺度时间特征；最后，模型搭建关节和骨骼信息交互桥梁实现两者信息的有效传输和融合，以便更深入地探索它们之间的功能相关性。提出方法在NTU RGB+D 60数据集进行验证实现CS基准91.5%和CV基准96.9%的识别准确率。在NTU RGB+D 120数据集分别取得了C-Sub基准89.0%和C-set基准90.8%的准确率。实验结果表明所提出方法能够更加有效地提取骨架时空特征进而提升识别精度。

关键词：骨架动作识别图卷积内在拓扑多尺度信息融合

基于多尺度注意力机制的骨架动作识别技术研究

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于多尺度注意力机制的骨架动作识别技术研究

作者：潘雪华中科技大学

学位级别：硕士

骨架动作识别根据人体关节位置的时间序列表示,研究如何让计算机自动地通过分析其运动模式识别动作类别。它是计算机视觉的一个新兴研究方向,在运动分析、高级人机交互、智能监控和视频检索等方面都有非常广泛的应用。现有的骨架动作识... 详细信息

骨架动作识别根据人体关节位置的时间序列表示,研究如何让计算机自动地通过分析其运动模式识别动作类别。它是计算机视觉的一个新兴研究方向,在运动分析、高级人机交互、智能监控和视频检索等方面都有非常广泛的应用。现有的骨架动作识别方法主要工作集中在对骨架数据特殊数据结构的特征表达上,无论时域还是空域都在单一尺度上提取行为特征,这对区分运动模式复杂和容易混淆的动作类别十分不利。为了解决这个问题,本文提出了基于多尺度注意力机制的骨架动作识别方法,主要工作如下:(1)引入时间维度骨架数据多尺度表征,通过时间维度的多尺度卷积,以不同的感受野获得不同时间长度的关节点特征。然后通过注意力机制融合不同感受野的特征,充分考虑不同尺度特征间的结构关系,增强关节点特征的时序信息表达能力。(2)提出空间维度骨架数据的多尺度表征,并建立能在各尺度间有效交流传递的注意力机制。骨架数据具有固定的物理结构,本文除了通过卷积网络得到单个关节点的特征外,还根据人体物理连接通过级联操作得到具有明确物理意义的人体part(由相邻的三个关节点组成)和body(由相邻的两个part组成)的特征共同构成骨架数据的空域表达。同时,在各尺度空域特征表达上建立注意力机制,根据各尺度间存在包含关系,通过细粒度和粗粒度间双向注意力传递帮助网络更好的聚焦动作发生部位,获得更有效的空域特征表达。最终将以上两个模型级联为一个整体模型,用来产生骨架序列的有效特征表达,通过全连接网络得到预测分数。本文的方法在NTU-RGB+D数据集上进行验证,在其对象交叉(cross-subject)和视图交叉(cross-view)两种协议的分类准确率上分别提高到87.6%和93.9%,相较于基准方法(HCN)分别提高了2.8%和1.7%。

关键词：骨架动作识别卷积神经网络多尺度注意力机制

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的骨架动作识别

基于深度学习的骨架动作识别

作者：曹宇桂林电子科技大学

学位级别：硕士

人体动作识别是指通过计算机视觉和机器学习技术,对从传感器、摄像头等设备中获取的人体运动数据进行动作类型识别分类的一项课题。骨架动作识别作为其中一个分支,目标是从骨架关节点数据中理解和分类人体动作,可以应用于智能监控、人... 详细信息

人体动作识别是指通过计算机视觉和机器学习技术,对从传感器、摄像头等设备中获取的人体运动数据进行动作类型识别分类的一项课题。骨架动作识别作为其中一个分支,目标是从骨架关节点数据中理解和分类人体动作,可以应用于智能监控、人机交互和运动分析等多个领域。骨架数据作为人体的三维姿态信息,可以很好的反映人体动作的空间位置和方向信息,且骨架数据信息紧凑,冗余量少,对计算资源要求更少,在面对如光照、人体尺度变化、运动速度变化和视角变化等干扰时鲁棒性强。凭借这些优势,基于骨架的动作识别获得了更多的关注,也更具发展前景。本文通过对骨架数据进行不同的预处理和特征提取方法,分别采用长短期记忆网络和深度残差网络ResNet50两种方法进行了骨架动作的识别分类研究。构建了基于人体几何特征结合LSTM网络的骨架动作识别模型。首先针对动作序列长度不同的问题,利用时间序列分割技术,对骨架时间序列数据进行分段,提取出每个人体动作序列,并对分段后的动作序列进行归一化,然后对骨架序列数据进行特征提取,分别提取了关节相对角度和关节相对距离两个静态特征以及关节相对角度的角加速度这一个动态特征,随后进行特征融合送入LSTM网络对骨架动作进行识别分类,并在实验过程中对神经网络中的几个主要参数进行优化,引入Dropout机制应对过拟合问题,最终取得了较高的识别准确率。构建了基于优化ResNet50网络的骨架动作识别模型。首先针对ResNet50网络造成的特征信息丢失问题,对网络结构进行了优化,随后使用标签平滑技术正则化交叉熵损失函数,以应对训练过程中出现的过拟合问题,提高模型泛化能力。在实验过程中比较各种学习率衰减算法在收敛速度上的差异,选择最优方案以加快网络收敛速度。针对数据集的处理,采用基于树结构的关节点序列重排技术,使得相邻的关节在图中相邻,增强关节点之间的运动学依赖关系,并通过旋转矩阵对骨架数据进行数据增强。最后将骨架数据转化为图像数据送入ResNet50网络中进行训练,并在NTU-RGB+D数据集上进行验证,在其“跨采集者”和“跨视角”两种协议上分别取得了88.39%和92.79%的准确率。

关键词：骨架动作识别时间序列分割长短期记忆网络 ResNet50

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

协同时空注意力的骨架动作识别研究

协同时空注意力的骨架动作识别研究

作者：任世强江西理工大学

学位级别：硕士

人体动作识别是计算机视觉领域中一个非常热门的研究课题,它的主要任务是判断人体所做的动作属于何种类别,这对系统理解该动作所包含的信息并进行进一步的处理有非常大的帮助。人体动作识别有着非常广泛的应用,包括智能监控系统、无人... 详细信息

人体动作识别是计算机视觉领域中一个非常热门的研究课题,它的主要任务是判断人体所做的动作属于何种类别,这对系统理解该动作所包含的信息并进行进一步的处理有非常大的帮助。人体动作识别有着非常广泛的应用,包括智能监控系统、无人安防、病人监护以及体感游戏等。人体动作识别根据不同的数据模态可以分为视频动作识别和骨架动作识别两大类。视频动作识别是以连续的图像帧作为模型的输入,而骨架动作识别则是通过动作捕捉设备以及三维人体姿态估计算法等得到的骨架序列作为模型的输入。与图像、视频的模态不同,骨架数据由于不受光照、背景等的影响,因此具备更强的鲁棒性。本文主要研究基于骨架的人体动作识别。以下是本文的主要工作:(1)本文首先分三类方法对基于深度学习技术的骨架动作识别方法进行了综述,这三种方法分别为:基于卷积神经网络的方法、基于循环神经网络的方法和基于图卷积神经网络的方法。(2)时空特征的建模是有效解决骨架动作识别这一问题的关键。通常来说,一般采用双流结构分别对时间特征和空间特征进行建模。其中,层次共现网络通过学习骨架共现信息实现了最先进的性能。然而,在层级共现网络的双流结构中,空间流和时间流相互独立,导致性能不是很理想。受压缩和激励机制的启发,本文提出了一种时空激励模块,以提高层级共现网络体的性能。时空激励模块不仅可以通过显式建模通道之间的相互依赖性来重新校准空间和时间特征,还可以通过显式建模空间和时间特征之间的相互依赖性来相互激励。因此,空间流和时间流可以相互学习并能够学得有效的时空特征。本文在基于骨架的动作识别基准NTU RGB+D数据集上进行了大量实验,结果表明,本文提出的模块在不引入额外参数的情况下可以获得良好的性能。(3)基于图卷积神经网络的算法已经成为了骨架动作识别任务中的主流方法。然而在时空图卷积神经网络中,空间图卷积层的结构与时序卷积层的拓扑结构是固定的,这一点极大地限制了时空图卷积神经网络的时空特征建模能力。同时,注意力机制因其具备有效性和可解释性的特点,被广泛应用到计算机视觉任务上。因此,本文提出了一种协同时空注意力模块,以参数共享的方式联合学习空间和时序维度的注意力。协同时空注意力模块可以插入到空间图卷积层和时序图卷积层之间,首先对空间图卷积层所学习到的特征在空间和时序两个维度上同时进行校准,然后再传入时序图卷积层学习时序特征,以此帮助模型增强时空特征学习的能力。协同时空注意力模块采用了参数共享的方式,因此非常轻量,能够以非常低的计算代价插入到主流的基于图卷积神经网络的方法中,获得比较大的性能提升。本文选用时空图卷积神经网络作为骨干网络,在两个大规模的骨架动作识别数据集上做了大量的实验,结果表明,与其他主流算法相比,本文的模型能够以更少的参数获得相当甚至更好的性能。

关键词：骨架动作识别卷积神经网络图卷积神经网络注意力机制

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的3D骨架动作识别研究

基于深度学习的3D骨架动作识别研究

作者：邬倩上海工程技术大学

学位级别：硕士

人体动作识别作为计算机视觉领域的一个重要组成部分,在各大领域如智能监控、人机交互等方面具有广泛应用前景,这使动作识别成为当今社会的一大研究热点。特别是随着深度摄相机如Kinect的出现,更多的高维信息可以被表示出来,基于3D骨架... 详细信息

人体动作识别作为计算机视觉领域的一个重要组成部分,在各大领域如智能监控、人机交互等方面具有广泛应用前景,这使动作识别成为当今社会的一大研究热点。特别是随着深度摄相机如Kinect的出现,更多的高维信息可以被表示出来,基于3D骨架的动作识别吸引了众多研究者投入研究。借助深度摄相机,从深度图像上提取的人体3D骨架有着对光照、表观和视角的变化具有鲁棒性的优势。同时随着骨架实时估计算法的成熟进一步推动了这项研究的发展。早期基于3D骨架的动作识别主要通过手工制作特征来进行动作识别。近年来随着深度学习技术的发展,基于深度学习的方法成功应用在了3D骨架动作识别的研究中。尽管现今提出的一些用于3D骨架动作识别的深度学习网络模型取得了不错的性能,但针对不同情景下的动作识别率仍具有较大的提升空间。在本文中提出了两种基于深度学习的3D骨架动作识别方法,分别针对在双人交互动作情景和不同成像条件如摄像机视角变化情景下的动作识别,以期达到更高的识别率。(1)本文提出了一种基于LSTM网络并结合骨架几何特征的算法模型。针对双人交互动作情景下的3D骨架动作识别,考虑提取骨架序列的几何特征更易发现两人交互动作中所蕴含的比单人动作更丰富的信息,选择用骨架的几何特征描述代替骨架关节的三维坐标作为网络的输入,将几何特征与深度学习的方法相结合。然后引入了一种时序选择LSTM网络,该网络具有选择最具识别性的时间片段特征的能力,能够去掉冗余的序列帧,减少计算量。最后将该模型在SBU Interaction数据集和UT Kinect数据集上进行实验。实验表明该模型在两人交互动作SBU Interaction数据集上的识别率达到了99.36%,比以往大部分用关节坐标作为网络输入的方法有显著的提高,实验结果证明了该模型的有效性。(2)本文提出了一种基于空间特征时序图结合卷积神经网络的算法模型。针对由于不同的成像条件如摄像机的角度等造成骨架在提取过程中产生较大差异情景下的3D骨架动作识别,考虑建立骨架的视角不变性特征,提出一种空间特征时序图来描述骨架。主要利用骨架的位置信息分别计算出骨架距离、骨架角度信息,再通过结合两者的信息来进行骨架空间特征描述,并以时间维度进行排列,构成空间特征时序图。之后将其输入到卷积神经网络模型中进行动作识别分类。最后将该模型在标准数据集Berkeley MHAD和NTU RGB+D数据集上进行实验。实验结果表明在NTU RGB+D数据集上的cross-view测试中的识别率达到了84.12%,比以往大多数方法的识别率高,实验结果证明了该模型的有效性。

关键词：骨架动作识别深度学习长短期记忆网络卷积神经网络

面向人体骨架动作识别的强稳健深度网络算法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向人体骨架动作识别的强稳健深度网络算法研究

作者：张鸣阳华南理工大学

学位级别：硕士

动作识别在人机交互、视频监控、医疗护理等领域有着广泛的应用前景。骨架序列是一种简洁的动作表示,是动作识别算法的重要数据形式。骨架动作识别任务的主要难点在于人体运动模式的复杂性导致较大的类内差异性。例如由于个人习惯的不同... 详细信息

动作识别在人机交互、视频监控、医疗护理等领域有着广泛的应用前景。骨架序列是一种简洁的动作表示,是动作识别算法的重要数据形式。骨架动作识别任务的主要难点在于人体运动模式的复杂性导致较大的类内差异性。例如由于个人习惯的不同,不同的人执行同一动作存在着一定的差异,即使同一个人在不同时间或地点做同一种动作也不完全相同。另外,观察角度的变化可能对动作识别的准确性产生负面影响,且关节坐标估算也存在一定误差。为此,本文针对人体骨架动作识别任务,提出一种强稳健的深度网络模型,其包含有多局部随机敏感的自编码器、注意力机制和长短期记忆模型(Multi-Localized Sensitive Autoencoder-Attention-LSTM,简称Multi-Li SAAL)。该方法首先将骨架分为躯干、左右臂和左右腿五个部分,然后利用五个基于局部随机敏感自编码器(Localized Stochastic Sensitive Autoencoder,简称Li SSA)分别处理这五部分的数据,对其空间和时间信息进行编码,并从中提取有意义的特征。Li SSA通过最小化局部泛化误差来降低其对具有微小输入扰动的敏感度,以增强自编码器的稳健性,可有效降低噪声对动作识别的不利影响。其次利用注意力机制为骨架各部分的特征分配不同的权重,并且更多地关注包含重要信息的部分,自动地聚焦于更能辨识动作的部位。最后,通过多层双向LSTM和全连接分类器将加权求和融合的特征作为输入来区分动作。在五个公共数据集上的实验结果表明,Multi-Li SAAL优于主流方法,证明Li SSA可以有效地增强模型稳健性,注意力机制更加关注于骨架的重点部位。

关键词：骨架动作识别局部随机敏感度自编码器注意力机制多层双向LSTM

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

融合文本语义的骨架动作识别研究

融合文本语义的骨架动作识别研究

作者：张维聪郑州大学

学位级别：硕士

随着智能摄影设备、移动互联网以及各类媒体播放平台的发展,视频已经逐步成为人们日常生活和学习中不可或缺的交流媒介。人体动作识别旨在更好地理解和分析视频,被广泛地应用在场景监控、人机交互、生活辅助等方面。目前动作识别的方法... 详细信息

随着智能摄影设备、移动互联网以及各类媒体播放平台的发展,视频已经逐步成为人们日常生活和学习中不可或缺的交流媒介。人体动作识别旨在更好地理解和分析视频,被广泛地应用在场景监控、人机交互、生活辅助等方面。目前动作识别的方法主要是依靠RGB视频、深度图和骨架序列的视觉特征,例如外观、颜色、人体姿态等,而忽略了动作的语义信息。为了解决该问题,本文主要从人体动作描述生成和基于动作描述生成的骨架动作识别展开研究,主要研究工作如下:(1)针对人体动作描述生成任务,本文提出了一个基于GRU-LSTM结合注意力机制的模型(Gate recurrent unit-Long short time memory and Attention,GLA)来对人体动作进行描述,解决如何获得动作的详细语义信息的问题。该模型使用门控循环单元(Gaterecurrent unit,GRU)编码动作的视觉模态,使用长短记忆网络(Longshorttimememory,LSTM)作为解码器生成详细的文本描述,并且引入注意力机制来关注与动作最相关的部分,并捕捉动作的视觉模态和文本描述之间的相关性。该模型能够实现视觉到文本模态之间的转化,能够应用于视频解说等。这里,视觉模态可以是RGB视频、深度图或骨架图序列。本文以骨架数据为例,在WorkoutUOW-18、MSRC-12和NTU-RGB+D-60数据集上进行了实验,实验结果表明GLA能够有效的生成高质量的人体动作描述。在数据集WorkoutUOW-18 上,Bleu4 值可以达到 0.98,在数据集 NTU-RGB+D-60 上,Bleu4值可以达到0.94,在数据集MSRC-12上,Meteor值可以达到0.67。(2)针对基于动作描述生成的骨架动作识别任务,本文提出了两种根据生成的文本描述进行动作识别的方法,解决如何利用动作的详细语义信息进行基于语义的动作识别的问题。第一种方法将动作识别问题转为为文本分类的问题,提出了一种基于文本相似度的动作识别的方法。该方法首先采用杰卡德系数和余弦相似度计算生成的文本描述和所有动作的真实的文本描述的相似度,然后将动作分类为具有最高相似度的文本描述所对应的类别。第一种方法不需要训练复杂的模型,但这种方法只用到了语义信息,分类的结果依赖于生成文本描述的质量。因此,为了结合视觉模态,第二种方法将文本描述融合到视觉模态中,提出了一个基于GCN-CNN的融合文本的骨架动作识别方法(GCN-CNN fusing Skelton and Text,GC-ST)。GC-ST首先采用关节模块获取骨架序列的空间信息,其次在文本模块中将GLA生成的文本描述和骨架的空间信息进行拼接融合,最后在时序模块中提取时序信息。该方法充分利用了动作的视觉和文本模态,使得两种模态相互补充。所提出的两种方法都在WorkoutUow-18和MSRC-12数据集上进行了实验,实验结果表明融合文本语义对动作识别是有效的,准确率分别达到了 99.59%和95.51%。在NTU-RGB+D-60数据集上,按照CS和CV划分结果分别达到了 87.5%和93.4%。

关键词：动作描述生成骨架动作识别文本语义文本相似度 GCN

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的人体骨架动作识别

基于深度学习的人体骨架动作识别

作者：曹青峰中国矿业大学

学位级别：硕士

随着现代信息技术的发展,视频信息获取设备得到广泛应用。基于图像、视频和骨架等数据集的计算机视觉研究得到快速发展。特别基于深度学习方法的人体动作识别逐渐成为计算机视觉领域的研究热点,在自动驾驶、手势控制和人机交互等领域具... 详细信息

随着现代信息技术的发展,视频信息获取设备得到广泛应用。基于图像、视频和骨架等数据集的计算机视觉研究得到快速发展。特别基于深度学习方法的人体动作识别逐渐成为计算机视觉领域的研究热点,在自动驾驶、手势控制和人机交互等领域具有广泛的应用价值。基于骨架数据集的人体动作识别相比于视频图像人体行为识别方法鲁棒性强,不受光照、遮挡和背景颜色混入等因素影响。越来越多的研究者投入到基于人体骨架数据的动作识别当中并取得了显著的成果。本文基于深度学习的人体骨架数据提出三种不同的模型:基于双流卷积神经网络的网络模型、基于卷积和循环神经网络相结合的模型和基于多流卷积神经网络的模型。(1)针对传统卷积神经网络模型动作信息提取不充分的问题,本文根据双流结构思想,提出基于双流卷积神经网络的人体骨架动作识别网络模型。原始骨架序列作为一支流的输入数据,注意力机制增强骨架序列或骨架时域差分序列作为另一支流的输入数据。双流卷积神经网络从两支流输入数据中充分提取动作特征信息,并选择合适的融合方式进行特征融合,证明双流特征融合的卷积网络模型对于检测结果的提升具有很大的帮助。(2)针对循环神经网络过度关注骨架的时间依赖关系,但对空间结构的骨架信息提取不充分的问题,采用循环神经网络和卷积神经网络相结合的方法,提出基于卷积和循环神经网络相结合的人体骨架动作识别网络模型。时间模块采用长短期记忆(LSTM)神经从整体、局部和细节三个分支提取时序特征,空间模块由卷积神经网络构成提取空间特征。成功解决了空间信息特征提取不充分的问题。(3)针对人体骨架序列的时空共现性信息特征提取不充分问题,本文采用时域差分和空域差分的方法对骨架时空特征进行描述。结合图卷积网络对卷积核的设置方式,提出基于多流卷积神经网络的人体骨架动作识别模型。此模型以经典的分层共现网络模型为基础,首先对骨架动作进行新型建模,然后对网络模型进行多支流设计和特征融合方式选择。每一支流的卷积神经网络从原始骨架数据、时域差分和空域差分数据中分别提取骨架动作的时间特征信息、空间特征信息和时空共现特征信息,并选择合适的融合方式进行特征融合。针对以上三种模型分别在骨架数据集上进行验证,通过大量实验分析并与先进的网络模型对比,充分证明模型的有效性和先进性。

关键词：卷积神经网络循环神经网络骨架动作识别时空特征信息特征融合