16. Keywords: Neural Network, loss function
新規性・差分
手法
結果
概要
人物は,人物間や物体とインタラクションをしている.しかし,
このインタラクションのクラスは大きすぎて処理しきれない.し
かし,ある行動はその周囲の行動と関連性があるということがわ
かっている.ある行動がわかっている際に,周囲の行動のための
事前情報を取得するか、という提案している.
Neural Networkを用いて行動間の関係性からより検
索精度の高いモデルを構築する.
提案手法のアーキテクチャと出力結果の例.
.
54.78% (27K), 45.82% (2.8K), 38.73% (Stan-81)と
行動の検索に対して良好な性能を示した.
V. Ramanathan, C. Li, J. Deng, W. Han, Z. Li, K. Gu, Y. Song, S. Bengio, C. Rossenberg, L. Fei-Fei,
“Learning semantic relationship for better action retrieval in images”, in CVPR2015.
【15】
Links
論文ページ:
http://static.googleusercontent.com/media/
research.google.com/ja//pubs/archive/43443.pdf
17. Keywords: Recurrent Neural Network, action recognition
新規性・差分
手法
結果
概要
人物の姿勢から関節情報を入力とし,
Recurrent Neural Networkを用いること
により行動認識する.
姿勢から取得したスケルトンを5分割して入力とする.ニ
ューラルネットの層が進んでいくたびにパーツごとに時系
列情報を強化していく.
第1, 3, 5, 7層にbidirectional recurrently connected subnets
(BRNNs)を用いて隣接する関節の情報を統合する.5層により
上半身・下半身,7層により全身の特徴を抽出できる.最後に
全結合層を経て,ソフトマックス関数により識別する.
MSR Action 3Dにて94.49%と非常
に高い結果を示した.
Y. Du, W. Wang, L. Wang, “Hierarchical Recurrent Neural Network for Skeleton Based Action
Recognition”, in CVPR2015.
【16】
Links
論文ページ:
http://www.cv-foundation.org/openaccess/
content_cvpr_2015/html/
Du_Hierarchical_Recurrent_Neural_2015_CVPR_paper.
html
18. Keywords: Joint Action Recognition, Pose Estimation
新規性・差分
手法
結果
概要
ビデオからの行動認識と姿勢推定は人間の行動を理解するという
意味で関連したタスクである.しかしほとんどの手法はモデルを
分解し,連続して組み合わせて学習している.本稿では,私達は
2つのタスクの試行と学習を統合するための枠組みを提案する.
時空間のAnd –Orグラフモデルは3つのスケールで
行動を表現することを導入する.具体的には,行
動を,中間レベルのST-Partsでポーズに分解する.
モデルの階層的な構造は,各フレームの姿勢の外観や幾何学情報
を取得し,特定行動のモーション情報を取得する隣接フレームで
ST-parts間の側面を接続する.3つのスケールのモデルのパラメー
タは差別的に学習され,行動ラベルや姿勢は動的なプログラミン
グによって効率的に推測される.
Bruce Xiaohan Nie, Caiming Xiong and Song-Chun Zhu, “Joint Action Recognition and Pose Estimation
From Video”, in CVPR2015.
【17】
Links
論文ページ:
http://www.stat.ucla.edu/~sczhu/papers/
Conf_2015/pose_action_CVPR2015.pdf
19. Keywords: Actor-Action, Action Recognition
新規性・差分
手法
結果
概要
行動をするもの(Actor)と行動(Action)に
予め属性を対応付けておくことが必要と
提案.
Actor-Actionのマトリックスにて属性を
表している.
下図のようにActor-Actionの対応付けを行った.Actorは7種(adult, baby, ball, bird,
car, cat, dog)でActionは8種(climb, crawl, eat, fly, jump, roll, run, walk)である.行動
認識にはsupervoxelによるセグメンテーションを適用した.
認識のみならずセマンティックセグメン
テーションも行い,Actor-Actionの対応
付けが効果ありと判断した.
C. Xu, S.-H. Hsieh, C. Xiong, J. Corso, “Can Humans Fly? Action Understanding with Multiple Classes of
Actors”, in CVPR, 2015.
【18】
Links
論文 http://web.eecs.umich.edu/~jjcorso/pubs/xu_corso_CVPR2015_A2D.pdf
プロジェクトページ(データセットあり) http://web.eecs.umich.edu/~jjcorso/r/a2d/
YouTubehttps://www.youtube.com/watch?v=2p6ZdQtEXGU
20. Keywords: Articulated Motion Pattern, Pairs of Trajectories
新規性・差分
手法
結果
概要
ボトムアップかつunsupervisedな文節ご
とのモーションパターン(articulated
motion pattern)検出を行う.
非制約の動画であるため,構造化やトリ
ミングされていないところからモーショ
ン検出や対応付けを行う.
下図は虎に対するarticulated motion pattern 検出である.提案手法では追
跡している動線(pairs of trajectories: PoTs)を特徴としている.また,下図
の場合の行動は虎のrunning, walking, turningを示している.PoTsの中から
共通の特徴量を探索する問題であり,また関節中心は(感覚的に)モーショ
ンの中心として位置の変化(displacement)を特徴として記述する.モーシ
ョンの中心からの移動角度と正規化されたdisplacementを記録.
実験にはNational Geographic Documentariesから500ショット,80,000
フレーム取り出した映像やYouTube Objects datasetから犬のクラスを
100ショット抽出した.
L. D. Pero, S. Ricco, R. Sukthankar, V. Ferrari, “Articulated Motion Discovery using Pairs of Trajectories“,
in CVPR, 2015.
【19】
Links
論文
http://calvin.inf.ed.ac.uk/wp-content/
uploads/Publications/delpero15cvpr.pdf