来自各种数据模式的人类行为识别：回顾,IEEE Transactions on Pattern Analysis and Machine Intelligence

人类行为识别（HAR）旨在理解人类行为并为每个行为分配标签。它具有广泛的应用范围，因此在计算机视觉领域受到越来越多的关注。人类行为可以使用各种数据模态来表示，例如 RGB、骨架、深度、红外、点云、事件流、音频、加速度、雷达和 WiFi 信号，这些数据模态对不同来源的有用但独特的信息进行编码，并具有各种优势，具体取决于关于应用场景。因此，许多现有的工作尝试使用各种模式研究不同类型的 HAR 方法。在本文中，我们根据输入数据模态的类型对 HAR 深度学习方法的最新进展进行了全面调查。具体来说，我们回顾了当前主流的单一数据模态和多数据模态深度学习方法，包括基于融合和基于协同学习的框架。我们还展示了 HAR 的几个基准数据集的比较结果，以及富有洞察力的观察结果和启发性的未来研究方向。

"点击查看英文标题和摘要"

相关知识

机器学习在动物行为分析中的应用研究进展
人工智能辅助下的心理健康新型测评
多样性正则的神经网络训练方法探索
鸟类及动物声音辨识方法原理进展境况转自知乎
基于大数据的宠物行为分析模型Pattern（PPT课件）
语音情感识别调研
北大黄铁军团队 | 专题综述：视觉信息的神经解码
动物行为实验方法学研究的回顾与展望（第一篇）
哈罗重庆学子专访牛津大学计算机科学教授亚历克斯·罗杰斯：人类应该如何处理与人工智能的关系？
全球“宠物生物特征识别”技术比赛落幕，华中科技大学夺冠

网址: 来自各种数据模式的人类行为识别：回顾,IEEE Transactions on Pattern Analysis and Machine Intelligence https://www.mcbbbk.com/newsview276350.html