Matlab RGB代码================================================== ============================= 卷积两流网络融合，用于视频动作识别 该存储库包含我们的CVPR 2016论文的代码： Christoph Feichtenhofer, Axel Pinz, Andrew Zisserman "Convolutional Two-Stream Network Fusion for Video Action Recognition" in Proc. CVPR 2016 如果您发现该代码对您的研究有用，请引用我们的论文： @inproceedings{feichtenhofer2016convolutional, title={Convolutional Two-Stream Network Fusion for Video Action Recognition}, author={Feichtenhofer, Christoph and Pinz, Axel and Zisserman, Andrew}

在代码中我们将解释如何使用`姿势估计和LSTM (Long - term Memory)`创建一个用于人类动作识别(或分类)的App。我们将创建一个web应用程序，它接收一个视频，并生成一个带有标识动作类注释的输出视频。我们将在web应用程序中使用`Flask`框架，并使用`PyTorch lightning`进行模型训练和验证。

基于关键帧双流卷积网络的人体动作识别方法

深度神经网络在静态图像领域已取得突破性进展,并逐步扩展到视频识别领域。人体动作识别是视频识别领域的研究热点和难点,因此,提出了一种基于双流快速区域卷积神经网络(Faster RCNN)改进的人体动作识别算法。首先,用RGB(Red,Green,Blue)图像和光流数据作为网络的输入,分别训练Faster RCNN;然后,将训练好后的网络模型进行融合,并引入改进的压缩和激励模块对特征通道进行处理,以突出重要特征;最后,用完全的交并比损失函数作为边框回归损失函数,以优化某些预测框与真实框不能相交等问题。实验结果表明,相比传统的Faster RCNN,本算法在动作识别数据集UCF101上的准确率得到了一定的提高。

只需要Opencv450以上版本，基于kapao模型的四种动作识别

AAMAZ人体动作识别数据集

基于kinect v2的人体动作识别，配套博客（http://blog.csdn.net/baolinq/article/），基于mfc，可以识别左移右移、上蹦下跳等，也可以自己自定义其他动作，加一些判定代码即可。使用的时候可能需要自己新建一个工程，为了上传文件小一点，我只上传了主要的代码文件~~

使用时间滑动LSTM网络的3D人类行为理解 这是Ensemble TS-LSTM v1，v2和v3模型的Tensorflow实现，该论文来自论文和论文 。 您可以在或前一篇论文的。 这也是论文中的通用时间滑动LSTM（TS-LSTM）模型的Tensorflow实现。 广义的TS-LSTM网络由多个TS-LSTM模块组成，并且可以由超参数控制，例如L-STM窗口大小，时间跨度和TS-LSTM模块的运动特征偏移。 要求（Ubuntu，Matlab除外） Python 2.7.12（NTU） 0.11.0rc2（NTU） Python 3.5.2（UCLA和UWA） 1.4.1（UCLA和UWA） 脾气暴躁的 Matlab 2017a（Windows） 数据集 我们发现有关NTU RGB + D数据集中的骨架数据的一些问题。 垃圾桶骨架：有时Kinect会检测到垃圾桶骨架，即使

用于动作识别的3D ResNet 更新（2020/4/13） 我们在arXiv上发表了一篇论文。 我们上载了本文所述的预训练模型，包括在结合了Kinetics-700和Moments in Time的数据集中预训练的ResNet-50。 更新（2020/4/10） 我们极大地更新了脚本。 如果要使用旧版本来复制我们的CVPR2018论文，则应使用CVPR2018分支中的脚本。 此更新包括： 重构整个项目 支持更新的PyTorch版本 支持分布式培训 支持对“时刻”数据集的培训和测试。 添加R（2 + 1）D模型 上载经过Kinetics-700，时刻矩和STAIR-Actions数

为解决传统的使用视频彩色图像序列的智能监控容易受光照、颜色等因素影响的问题,提出结合Kinect深度图像和支持向量机的人体动作识别方法.利用Kinect在监控区域获得实时深度图像,并进行背景擦除,滤波处理和提取Haar特征.通过使用支持向量机的分类算法生成分类器,并对一组特定的静态动作识别结果进行分析.研究结果表明:使用深度图像对于静态动作有较好的识别率,并且与传统的基于彩色图像的智能监控相比,该方法不仅对于光照、颜色等因素不敏感,而且在识别的准确率和效率上均有提升.