《表4 Penn Action数据集上AWCN与其他模型算法比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《自适应融合RGB和骨骼特征的行为识别》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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。