动作识别研究 该存储库包含用于动作识别的6种代表性2D和3D方法的一般实现，包括I3D [1]，ResNet3D [2]，S3D [3]，R（2 + 1）D [4]，TSN [5]和TAM [ 6]。 这些代码用于我们对动作识别的分析。 陈春福（Richard）Chen *，Rameswar Panda *，Kandan Ramakrishnan，Rogerio Feris，John Cohn，Aude Oliva和Fanquanfu *，“对基于CNN的时空表示进行动作识别的深入分析”。 *：均摊 如果您使用此仓库中的代码和模型，请引用我们的工作。 谢谢！ @inproceedings{chen2020deep, title={Deep Analysis of CNN-based Spatio-temporal Representations for Action Recog

具有自适应时间特征分辨率的3D CNN CVPR 2021论文的源代码： 。 即将推出！ 敬请关注！ @inproceedings{sgs2021, Author = {Mohsen Fayyaz, Emad Bahrami, Ali Diba, Mehdi Noroozi, Ehsan Adeli, Luc Van Gool, Juergen Gall}, Title = {{3D CNNs with Adaptive Temporal Feature Resolutions}}, Booktitle = {{The IEEE Conference on Computer Vision and Pattern Recognition (CVPR) }}, Year = {2021} }

MMS骨架 介绍 MMSkeleton是一个开源工具箱，用于基于骨骼的人类理解。 这是负责的项目的一部分。 MMSkeleton是根据我们的研究项目。 更新 [2020-01-21] MMSkeleton v0.7发布。 [2019-10-09] MMSkeleton v0.6发布。 [2019-10-08]支持示范动物园。 [2019-10-02]支持自定义数据集。 [2019-09-23]添加基于视频的姿势估计演示。 [2019-08-29] MMSkeleton v0.5发布。 产品特点 高扩展性 MMSkeleton提供了灵活的框架来系统地组织代码和项目，并具有扩展到各种任务

下采样matlab代码快速人类动作识别 介绍 该存储库保存了该项目的代码库和数据集： 识别人类快速动作的时空图卷积网络 先决条件 Python3（> 3.5） 资料准备 我们对NTU-RGB + D的3D骨骼数据进行了实验。 预处理的数据可以从下载。 下载数据后，将“ NTU-RGB-D”文件夹解压缩到路径中。 下采样 为了创建快速动作的数据集，我们对NTU-RGB + D数据集进行下采样。 下采样是通过拍摄一帧然后保留另一帧，将帧数减半来完成的。 运行“ downsample.py”以对所需数据进行下采样。 数据缩减（可选） 我们提供“ create_small_data.py”，通过从所有60个动作中选择多个动作来从原始数据中创建较小的数据。 可以根据代码上的标签在代码中选择所需的操作。 可视化 我们在MATLAB上提供NTU-RGB + D的3D骨骼数据的可视化。 可以在“可视化”文件夹中找到更多详细信息。 训练 可以通过运行“ main.py”来训练模型。 结果将显示在“结果”文件夹中。 如果使用较小的数据，则需要对代码进行一些修改，这些修改在代码中有详细说明。 结果 此处显示

使用CNN进行动作识别 在该项目中，对卷积神经网络（CNN）进行了训练，以使用Pytorch对图像和视频进行分类。 数据集 使用过的UCF101数据http://crcv.ucf.edu/data/UCF101.php但仅接受了10个班级（共101个班级）。 每个剪辑有3帧，每帧为64 * 64像素。 片段的标签位于q3_2_data.mat 。 trLb是训练剪辑的标签，而valLb是验证剪辑的标签。 首先对CNN进行训练以对每个图像进行分类。 然后，使用3D卷积训练CNN，将每个剪辑分类为视频而不是图像 Kaggle比赛 CNN对图像的动作识别-排名第10- http://www.kaggle.com/c/cse512springhw3 CNN对视频的动作识别-排名32- http://www.kaggle.com/c/cse512springhw3video

介绍 我们发布了用于在UCF101上微调I3D模型的完整代码（包括培训阶段和测试阶段）。 I3D论文： 。 有关I3D的模型和详细信息，也请参考i3d。 先决条件 软件 Ubuntu 16.04.3 LTS Python 2.7 CUDA8 CuDNN v6 Tensorflow 1.4.1 硬件 GTX 1080 Ti 怎么跑 1.克隆此仓库 git clone https://github.com/USTC-Video-Understanding/I3D_Finetune 2.下载动力学预训练的I3D模型 为了在UCF101上微调I3D网络，您必须在下载DeepMind提供的Kinetics预训练I3D模型。 具体来说，下载repo并将data/checkpoints文件夹放入我们的I3D_Finetune回购的data I3D_Finetune ： git clone ht

Keras中的两流CNN工具 在的基于骨架的动作识别中，提出了两流CNN，用于基于骨架的动作识别。 它将骨架序列映射到图像（坐标x，y，z到图像R，G，B）。 他们专门设计了骨架变压器模块，以自动重新排列和选择重要的骨架关节。 要求 Python3 凯拉斯 h5py matplotlib 麻木 网络架构 该网络主要由Skeleton Transformer ， ConvNet ， Feature Fusion和Classification四个模块组成。 两个流的输入分别是原始数据（x，y，z）和帧差。 如下图所示： 用法 function / data_generator.py ：生成两个流的输入numpy数组 layer / transformer ：Keras中的Skeleton Transformer工具层 网络/ ：褶皱有四只苍蝇，具有不同的特征融合方式 结果 模型 准确度（

| 英语 PaddleVideo 介绍 PaddleVideo是用于为行业和学术界准备的视频识别，动作本地化和时空动作检测任务的工具集。 该存储库提供了示例和最佳实践指南，用于在视频区域的场景中探索深度学习算法。 我们致力于支持可以大大减少“部署时间”的实验和实用程序。 顺便说一句，这也是视频领域最新PaddlePaddle 2.0的熟练度验证和实现。 特征 先进的模型动物园设计PaddleVideo统一了视频理解任务，包括识别，本地化，时空行为检测等。 借助基于IOC / DI的清晰配置系统，我们设计了一个去耦模块化和可扩展的框架，该框架可以通过组合不同的模块轻松构建自定义网络。 各种数据集和体系架构PaddleVideo支持多个数据集和架构，包括 ，ucf101，YoutTube8M数据集和视频识别模型，诸如TSN，TSM，SlowFast，AttentionLSTM和行动本地化模