已入深夜,您辛苦了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!祝你早点完成任务,早点休息,好梦!

A Dense-Sparse Complementary Network for Human Action Recognition based on RGB and Skeleton Modalities

计算机科学 RGB颜色模型 人工智能 计算机视觉 卷积神经网络 杠杆(统计) 深度学习 模式识别(心理学)
作者
Cheng Qin,Jun Cheng,Zhen Liu,Ziliang Ren,Jianming Liu
出处
期刊:Expert Systems With Applications [Elsevier]
卷期号:244: 123061-123061
标识
DOI:10.1016/j.eswa.2023.123061
摘要

The vulnerability of RGB-based human action recognition in complex environment and variational scenes can be compensated by skeleton modality. Therefore, action recognition methods fusing RGB and skeleton modalities have received increasing attention. However, the recognition performance of the existing methods is still not satisfactory due to the insufficiently optimized sampling, modeling and fusion strategy, even the computational cost is heavy. In this paper, we propose a Dense-Sparse Complementary Network (DSCNet), which aims to leverage the complementary information of the RGB and skeleton modalities at light computational cost to obtain the competitive action recognition performance. Specifically, we first adopt dense and sparse sampling strategies according to the advantages of RGB and skeleton modalities, respectively. And then, we use the skeleton as guiding information to crop the key active region of the persons in the RGB frame, which largely eliminates the interference of the background. Moreover, a Short-Term Motion Extraction Module (STMEM) is proposed to compress the densely sampled RGB frames to fewer frames before feeding them into the backbone network, which avoids a surge in computational cost. And a Sparse Multi-Scale Spatial–Temporal convolutional neural Network (Sparse-MSSTNet) is designed to modeling sparse skeleton. Extensive experiments show that our method effectively combines complementary information of RGB and skeleton modalities to improve recognition accuracy. The DSCNet achieves competitive performance on NTU RGB+D 60, NTU RGB+D 120, PKU-MMD, UAV-human, IKEA ASM and Northwest-UCLA datasets with much less computational cost than exiting methods. The code is available at https://github.com/Maxchengqin/DSCNet.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
1秒前
2秒前
在水一方应助hhc采纳,获得10
4秒前
哈哈Hank完成签到,获得积分10
4秒前
4秒前
Jenny完成签到,获得积分10
5秒前
6秒前
6秒前
Serena510完成签到 ,获得积分10
7秒前
xiangqing完成签到 ,获得积分10
8秒前
8秒前
9秒前
SHUAI完成签到,获得积分10
10秒前
岁峰柒完成签到 ,获得积分10
10秒前
郜雨寒发布了新的文献求助10
11秒前
yy发布了新的文献求助10
12秒前
qiqiqiqiqi完成签到 ,获得积分10
12秒前
传统的幻梦完成签到,获得积分10
12秒前
keep1997发布了新的文献求助10
13秒前
要减肥金针菇完成签到,获得积分10
15秒前
缺粥完成签到 ,获得积分10
16秒前
舒适斑马完成签到,获得积分10
18秒前
碳酸芙兰完成签到,获得积分10
22秒前
友好亚男完成签到 ,获得积分10
23秒前
牧羊少年完成签到,获得积分10
25秒前
28秒前
独钓寒江雪完成签到 ,获得积分10
28秒前
风时因絮完成签到,获得积分10
29秒前
30秒前
板凳完成签到 ,获得积分10
34秒前
倔驴发布了新的文献求助10
34秒前
哈哈嘻嘻完成签到,获得积分10
34秒前
风时因絮发布了新的文献求助10
35秒前
xuan完成签到 ,获得积分10
35秒前
格物致知完成签到,获得积分10
38秒前
111完成签到 ,获得积分10
38秒前
小谢完成签到,获得积分10
39秒前
阿紫吖完成签到 ,获得积分10
39秒前
zyb完成签到 ,获得积分10
41秒前
42秒前
高分求助中
Kinetics of the Esterification Between 2-[(4-hydroxybutoxy)carbonyl] Benzoic Acid with 1,4-Butanediol: Tetrabutyl Orthotitanate as Catalyst 1000
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
Rechtsphilosophie 1000
Handbook of Qualitative Cross-Cultural Research Methods 600
Chen Hansheng: China’s Last Romantic Revolutionary 500
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 500
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3139375
求助须知:如何正确求助?哪些是违规求助? 2790295
关于积分的说明 7794840
捐赠科研通 2446748
什么是DOI,文献DOI怎么找? 1301351
科研通“疑难数据库(出版商)”最低求助积分说明 626153
版权声明 601141