您当前所在位置: 首页 > 首发论文
筛选条件

时间

领域

全部

计算机科学技术(14)

心理学(2)

信息科学与系统科学(1) 显示更多>>

测绘科学技术(1) 中医学与中药学(0) 临床医学(0) 交通运输工程(0) 体育科学(0) 农学(0) 冶金工程技术(0) 力学(0) 动力与电气工程(0) 化学(0) 化学工程(0) 图书馆、情报与文献学(0) 土木建筑工程(0) 地球科学(0) 基础医学(0) 天文学(0) 安全科学技术(0) 工程与技术科学基础学科(0) 教育学(0) 数学(0) 机械工程(0) 材料科学(0) 林学(0) 核科学技术(0) 水产学(0) 水利工程(0) 物理学(0) 环境科学技术(0) 生物学(0) 电子、通信与自动控制技术(0) 畜牧科学、动物医学(0) 矿山工程技术(0) 管理学(0) 纺织科学技术(0) 经济学(0) 能源科学技术(0) 航空航天科学技术(0) 药学(0) 预防医学与卫生学(0) 食品科学技术(0)

学术评议

实时热搜榜

我的筛选 >
2003-2020 全部
为您找到包含“动作识别”的内容共18

朱洋达,张建忠

2014-11-19

基于智能手机的人体动作识别在移动情景感知、惯性定位等方面有着非常广泛的应用。与传感器位置固定的动作识别相比,基于智能手机的动作识别有着手机方向及位置不固定的新问题。本文以Android智能手机为研究

高等学校博士学科点专项科研基金项目(No.20110031110026

高等学校博士学科点专项科研基金项目(No. 20120031110035

南开大学,计算机与控制工程学院,天津,300071,南开大学,计算机与控制工程学院,天津,300071

#计算机科学技术#

CHEN Yan-Ru, PAN Hua-Wei

Skeleton-based human action recognition has a broad range of applications in human-computer interaction and intelligent monitoring, and human behavior can be represented by the trajectory of the skeleton joint. Long-term short-term memory (LSTM) networks exhibit outstanding performance in 3D human action recognition because they are capable of modeling dynamics and dependencies in sequential data. In this paper, we propose a skeleton-based multilevel LSTM network for action recognition. First, the data for each joint and parent joint is used as input to a fine-grained subnet based on the action link between them. Then the features of the upper body joint are merged into the upper body subnet, the features of the lower body are merged into the lower body subnet, and finally the features of the two subnets are structured and fused to achieve higher recognition accuracy. Experimental results on the public data set NTU RGB+D demonstrate the effectiveness of the proposed network.

2019-04-24

College of Information Science and Engineering, Hunan University, Changsha 410000 , College of Information Science and Engineering, Hunan University, Changsha 410000

#Computer Science and Technology#

王丽岩,李安民,王洪彪

2015-11-23

目的:与乒乓球新手相比,乒乓球专家在动作识别时展现了高超的识别能力,但我们对于乒乓球专家产生这种识别差异的神经心理机制了解甚少。15名乒乓球专家和乒乓球新手参加了乒乓球发球动作的识别任务。利用

教育部博士基金(20113156110002

沈阳体育学院体育社会科学研究中心,沈阳 110102,上海体育学院运动科学学院,上海 200438,沈阳体育学院体育社会科学研究中心,沈阳 110102

#心理学#

刘海军,程建,屈航

2012-06-21

维流形嵌入;然后为了充分利用动作姿态之间的时序关系,采用几种隐马尔科夫模型(HMM)实现动作识别;最后讨论了几种模型对动作识别结果的影响。实验结果表明,本文采取的方法取得了较好的识别结果,验证了本方法

教育部高等学校博士学科点专项科研基金(20100185120021

电子科技大学中央高校基本科研业务费项目(No.ZYGX2009X003)

电子科技大学青年科技基金重点项目(JX0804)

电子科技大学电子工程学院,四川 成都 611731,电子科技大学电子工程学院,四川 成都 611731,电子科技大学电子工程学院,四川 成都 611731

#计算机科学技术#

夏利民,黄金霞,罗大庸

2013-03-11

主题与动作标签"一对一"相关,通过监督方式得到主题,保证了训练中主题的正确性。该算法在KTH人体运动数据库和Weizmann人体动作数据库进行了训练与测试,动作识别结果正确率在91.50%以上。

国家教育部博士点基金项目(20090162110057

中南大学 信息科学与工程学院,湖南长沙 410075,中南大学 信息科学与工程学院,湖南长沙 410075,中南大学 信息科学与工程学院,湖南长沙 410075

#计算机科学技术#

高洪伟,关沫

2019-08-08

针对传统监控不能实时分析场景中人的动作,只能作为事后调查的缺点,本文提出了一种对视频中人体动作识别的方法,可以实时对视频中人的动作分析理解并反馈。本文主要包括三个工作步骤:首先是使用结合空间颜色信息

School of information science and engineering, shenyang university of technology, LiaoNing ShenYang 110870,School of information science and engineering, shenyang university of technology, LiaoNing ShenYang 110870

#计算机科学技术#

0评论(0 分享(0)

王昌海,张建忠

2014-11-15

基于智能手机的人体动作识别在用户行为跟踪、个性化推荐等领域有着广泛的应用。实现手机在不同位置的自适应是该领域需要解决的关键问题。本文提出了一种低时间消耗的手机位置自适应的动作识别方法。首先文章提出

高等学校博士学科点专项科研基金项目(No.20110031110026

高等学校博士学科点专项科研基金项目(No. 20120031110035

南开大学,计算机与控制工程学院,天津,300071,南开大学,计算机与控制工程学院,天津,300071

#计算机科学技术#

0评论(0 分享(0)

Tian Yaning,Yin Sixing,Qu zhaowei

Human motion recognition is becoming a research upsurge, which aims at understanding human behavior, and plays an increasingly important role in a number of applications, such as health care and smart home. In this paper, we collect datasets by using the built-in sensors of a mobile phone and propose an approach to extract features based on wavelet transform. In contrast to the existing related works, our work intends to recognize the physical activities when the phone's orientation and position are varying. The activities' true acceleration is inferred by using the phone's pitch, yaw and roll angles. After preprocessing, the continuous original time series data is segmented into discrete training samples by the sliding windows of proper size. Then statistical features such as wavelet coefficients are extracted through the wavelet transform. Support Vector Machine (SVM) is employed as classifier to recognize five types of motion: jumping, walking, running, stepping upstairs and stepping downstairs. We find a proper wavelet basis function to extract the features and achieve an average recognition accuracy of 90.71%. We can distinguish the five kinds of motion clearly, so the results show that it is feasible to use wavelet transform to extract features in human motion recognition.

2016-11-10

Beijing University of Posts and Telecommunications,Network Technology Research Institute,Beijing 100876,Beijing University of Posts and Telecommunications,Information And Communication Engineering institute,Beijing 100876,Beijing University of Posts and Telecommunications,Network Technology Research Institute,Beijing 100876

#Computer Science and Technology#