《表4 Penn Action数据集上AWCN与其他模型算法比较》
unit:%
本文采用的AWCN与现有方法的比较如表4所示。可以看出AWCN在Penn Action数据集上有着良好的表现。C3D只关注了RGB特征,并没有关注骨骼特征,所以精度相较于本文识别精度较低。JDD利用C3D提取关节点处的RGB特征并予以分类,如果关节点位置预测错误,则会造成识别错误,而本文方法对RGB特征和骨骼特征分别同时提取特征,互不影响。AOG使用三个尺度提取关节处的特征,同样有着类似于JDD的问题。IDT-FV+Pose只是简单地使用固定权重融合IDT-FV和Pose(骨骼)特征,未考虑到特征间的互补性,所以精度比本文方法偏低。TSN融合了RGB和光流特征,获取光流图像时会耗费大量的时间。DPI和MMTSN在融合RGB和骨骼特征时,未考虑到特征间的互补性,不能针对不同的视频选择适合视频的特征进行分类。
图表编号 | XD00188334800 严禁用于非法目的 |
---|---|
绘制时间 | 2020.10.25 |
作者 | 郭伏正、孔军、蒋敏 |
绘制单位 | 江南大学模式识别与计算智能国际联合实验室、江南大学模式识别与计算智能国际联合实验室、江南大学模式识别与计算智能国际联合实验室 |
更多格式 | 高清、无水印(增值服务) |