CN107239767A - 小鼠行为识别方法及其系统 - Google Patents
小鼠行为识别方法及其系统 Download PDFInfo
- Publication number
- CN107239767A CN107239767A CN201710431083.3A CN201710431083A CN107239767A CN 107239767 A CN107239767 A CN 107239767A CN 201710431083 A CN201710431083 A CN 201710431083A CN 107239767 A CN107239767 A CN 107239767A
- Authority
- CN
- China
- Prior art keywords
- data sequence
- exercise data
- activity recognition
- mouse
- mouse activity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及生物特征识别技术领域,具体而言,涉及一种小鼠行为识别方法及其系统,包括:监控终端实时采集小鼠的运动以形成运动数据序列,并对获取的运动数据序列进行标准化处理,将获取的运动数据序列存储到存储设备中,然后采用低通过滤的过滤器对运动数据序列进行筛选,筛掉无用的数据,之后采用分离式余弦转移系统对运动数据序列进行转移,再从空间和时间两个角度对运动数据序列进行处理,然后采用词频-逆向文件频率方法测量数据的重要性,最后采用KNN方法处理运动数据序列,得出结果,通过此方法能够使设备自动化的识别小鼠的指定动作并记录下,并且按照提供的方法操作后能极大的提高识别的准确定,减轻研究人员的工作量。
Description
技术领域
本发明涉及生物特征识别技术领域,具体而言,涉及一种小鼠行为识别方法及其系统。
背景技术
动物在药物、毒物及各种外界物理因素的影响下,其活动频率、活动范围、记忆力等是否由于这些外界因素的影响而有所改变,这就需要观察动物活动的变化来判断。传统的行为学研究主要是依靠研究者的目视观察与定性评判,主观因素影响较大,很多参数不能定量化,且费时费力。随后,伴随光电技术被广泛应用于自发活动的检测中,结合计算机的应用产生了多样的监测装置,但可检测指标较少,只能满足实验人员小部分要求。近年来,计算机技术的发展将动物行为的自动识别带进了视频记录与观测结合数字图象分析的阶段,视频检测具有较高分辨率不仅能准确记录动物的行动,还能对体态姿势进行辨别,为实验者提供了更多的信息,具有广阔的应用前景。小鼠自发活动试验是应用最广的自发活动行为测定方法之一。在实验中,除小鼠的活动区域,速度等参数外,其丰富的动作、姿势、甚至尾部和足的活动等体态特征也具有大量的科研价值,是研究者们关心的内容。视频技术和图象分析技术在这个领域的应用为广大科研工作者提供了更快捷可靠的实验工具,也推动了动物行为学、药理学等相关学科的发展。
但是在研究过程中需要人员通过肉眼过辅助工具识别小鼠的行为动作,这大大增加了研究的时间,而且肉眼识别存在一定的主观性,存在一定的误差,即给研究造成了极大的困扰和难度。
因此,提供一种准确并自动识别小鼠行为的方法或系统成为本领域技术人员所要解决的重要技术问题。
发明内容
本发明的目的在于提供一种小鼠行为识别方法及其系统,以缓解实验研究过程中精确度低且需要人眼识别小鼠行为的技术问题。
本发明提供的一种小鼠行为识别方法,包括:
步骤1.监控终端实时采集小鼠的运动以形成运动数据序列,并对获取的运动数据序列进行标准化处理,将获取的运动数据序列存储到存储设备中;
步骤2.采用低通过滤的过滤器对运动数据序列进行筛选;
步骤3.采用分离式余弦转移系统对运动数据序列进行转移;
步骤4.从空间和时间两个角度对运动数据序列进行处理;
步骤5.采用词频-逆向文件频率方法测量数据的重要性;
步骤6.采用KNN方法处理运动数据序列,得出结果。
进一步地,所述监控终端采用Kinect装置。
进一步地,所述标准化处理包括去噪处理和骨架数据处理。
进一步地,所述步骤2通过低通过滤的过滤器来移除乱码以及高频率的动作数据序列。
进一步地,所述步骤3通过分离式余弦转移系统将Kinect装置捕捉到的运动轨迹从按时间维度转移到按频率维度。
进一步地,所述步骤5中,采用词频-逆向文件频率方法筛选出包含特异性的运动数据序列。
进一步地,所述步骤6中,经过KNN方法处理后,将数据传输到控制装置,然后在显示装置上显示。
本发明提供的一种小鼠行为识别系统,包括:设置在监控区域的监控终端、处理器、控制装置和显示器;
所述监控终端将记录采集的运动数据传输到所述处理器,经处理后传输到所述控制装置,所述控制装置通过所述显示器显示最终结果。
进一步地,所述处理器包括用于接收数据的接收模块、预处理模块、分析模块和发送模块;
经所述预处理模块处理的数据传输到所述分析模块,所述分析模块分析后的数据经所述发送模块传输到所述控制装置。
进一步地,小鼠行为识别系统还包括用于存储全部数据的存储器;
所述监控终端、所述处理器和所述控制装置均匀所述存储器连接。
有益效果:
本发明提供的一种小鼠行为识别方法,包括:监控终端实时采集小鼠的运动以形成运动数据序列,并对获取的运动数据序列进行标准化处理,将获取的运动数据序列存储到存储设备中,然后采用低通过滤的过滤器对运动数据序列进行筛选,筛掉无用的数据,之后采用分离式余弦转移系统对运动数据序列进行转移,再从空间和时间两个角度对运动数据序列进行处理,然后采用词频-逆向文件频率方法测量数据的重要性,最后采用KNN方法处理运动数据序列,得出结果,通过此方法能够使设备自动化的识别小鼠的指定动作并记录下,并且按照提供的方法操作后能极大的提高识别的准确定,减轻研究人员的工作量。
本发明提供的一种小鼠行为识别系统,包括:设置在监控区域的监控终端、处理器、控制装置和显示器,监控终端将记录采集的运动数据传输到处理器,经处理后传输到控制装置,控制装置通过显示器显示最终结果,处理器根据小鼠行为识别方法对数据进行处理并存储,能够提高识别的精准度,并且提高工作效率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的小鼠行为模式识别方法的流程图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
相对于现有技术,本发明实施例提供的水箱具有以下优势:
图1为本发明实施例提供的小鼠行为模式识别方法的流程图。
如图1所示为本发明实施例提供的一种小鼠行为识别方法,包括:步骤1.监控终端实时采集小鼠的运动以形成运动数据序列,并对获取的运动数据序列进行标准化处理,将获取的运动数据序列存储到存储设备中;步骤2.采用低通过滤的过滤器对运动数据序列进行筛选;步骤3.采用分离式余弦转移系统对运动数据序列进行转移;步骤4.从空间和时间两个角度对运动数据序列进行处理;步骤5.采用词频-逆向文件频率方法测量数据的重要性;步骤6.采用KNN方法处理运动数据序列,得出结果。
本发明提供的一种小鼠行为识别方法,包括:监控终端实时采集小鼠的运动以形成运动数据序列,并对获取的运动数据序列进行标准化处理,将获取的运动数据序列存储到存储设备中,然后采用低通过滤的过滤器对运动数据序列进行筛选,筛掉无用的数据,之后采用分离式余弦转移系统对运动数据序列进行转移,再从空间和时间两个角度对运动数据序列进行处理,然后采用词频-逆向文件频率方法测量数据的重要性,最后采用KNN方法处理运动数据序列,得出结果,通过此方法能够使设备自动化的识别小鼠的指定动作并记录下,并且按照提供的方法操作后能极大的提高识别的准确定,减轻研究人员的工作量。
需要指出的是,利用Kinect捕捉运动序列,而骨架信息通过其他途径获得的。骨架数据由多个点组成,多个点在动物运动建模中都必不可少,为保证位置、尺寸及视图的持续性,所有的序列都预先进行了标准化处理,这些序列被划分到固定大小的小窗口中,每个窗口都采取用协方差建模实现的空间和时间的方式描述,之后为测试和训练的步态模型定义了不同的措施,最后,每一个序列都会通过KNN进行分类。
还需要指出的是,通过骨骼关节的位置描述小鼠的移动,因此,每个关节都能及时产生一个由3D坐标表示的运动轨迹。为求得绝对身体姿势的不变性,需要从空间角度对运动数据序列进行处理,因此采用了本地相对坐标系统来代表关节点。因此,用髋关节中心作为当地坐标系统的原点,并依此表示其余的多个个骨骼关节,然后通过协方差矩阵对身体关节轨迹进行编码,该协方差矩阵可以及时计算出不同关节的相互关系。因此,对于每个运动序列,都能及时计算出一个总结关节相关性的协方差矩阵。
还需要指出的是,空间协方差矩阵主要在表示具有强空间变异性的步态时有效。例如它可以轻易地识别出截然不同的关节轨迹模式,如行走与跑步、抬手等等。但是在对这些微妙的模式进行分类时,只采取运动的空间模式是不够的。为了强化的运动表示方法,对跨时间的关节运动速度,将其记为时间特征部分,与身体位置表示方法类似,采用了协方差矩阵的方式对关节的相对速度进行编码。
本实施例的可选方案中,监控终端采用Kinect装置。
Kinect是一种低成本的、非侵入式的深度扫描仪,可以以接近视频的速率来捕获动物的运动周期,除了原始深度视频量以外,Kinect还可提取身体的3D虚拟骨架,并在时间上保持一致。
需要指出的是,Kinect以15帧每秒的速度对运动的小鼠进行深度图像捕捉,并能及时跟踪小鼠的多个个关节点,计算出连贯的骨架数据。
本实施例的可选方案中,标准化处理包括去噪处理和骨架数据处理。
由于相机拍摄角度是正面拍摄,所以显示出来的骨架尺寸会随着对象逐渐靠近相机而增大。为了获取独立于距离的一个稳定的骨架数据,对数据进行了标准化处理,将关节协调由世界协调系统转向个人中心协调系统。
需要指出的是,进一步通过不改变关节角度、按比例调整所有骨架至普通尺寸的方式,将所有的数据集进行了标准化处理。因此,选取了一个骨架作为参考对象,将所有其他的骨架都与之对比,将他们身体各部分的长度都按比例进行转换,由此形成一个独立于展示方式的尺寸,也按照全球化的X轴的调整连接两髋的载体(关于投影到XY平面),将所有的骨骼旋转成一个共同的方向。
本实施例的可选方案中,步骤2通过低通过滤的过滤器来移除乱码以及高频率的动作数据序列。
Kinect能及时为它追踪的多个个关节点形成持续的轨迹,然而,由于适应性不够完美以及监测对象与相机的距离问题,通过Kinect捕捉到的轨迹通常会比较杂乱。此外,由于震颤及动作不稳定等情况,捕捉到的动作频率会很高,高频率动作是超出捕捉速率的,也超出Kinect的预测范围,因此在输出信号的时候会显示为乱码。因此引进低通过滤的过滤器来移除乱码以及高频率的动作数据序列。
本实施例的可选方案中,步骤3通过分离式余弦转移系统将Kinect装置捕捉到的运动轨迹从按时间维度转移到按频率维度。
运动序列能及时对关节点转型进行编码,它取决于参照对象的运动速度,而运动速度会依对象不同而有着显著的不同。为了克服速度上的差异,使用不重叠的滑动窗口将每个运动序列分成多个子序列。因此,将一个运动序列用多个小尺寸的窗口表示出来,实现一种无关于速度的表示方法,因此需要通过分离式余弦转移系统将Kinect装置捕捉到的运动轨迹从按时间维度转移到按频率维度。
需要指出的是,分离式余弦转移系统又名DCT。
本实施例的可选方案中,步骤5中,采用词频-逆向文件频率方法筛选出包含特异性的运动数据序列。
当给定一个预分类时空运动窗口时,这些预分类时空运动窗口是从从属于不同步态的较长序列中切割出来的,这些窗口将运动序列分割成不定的集合,因此有些窗口可能会包含独特的步态特征,而其他一些窗口可能会包含非特异性信息,为了测量窗口的重要性,因此采取了词频-逆向文件频率的方法。
需要指出的是,词频-逆向文件频率又名tf-idf。
本实施例的可选方案中,步骤6中,经过KNN方法处理后,将数据传输到控制装置,然后在显示装置上显示。
使用KNN来计算测试数据中的k的最亲密、最近的邻居(k在实验中取不同的值)。K的每一个最近邻居都通过方程式赋予了一个权重,而对于每个类别,我们将k的最近邻居中的同类别的所有窗口权重都加以累积,因为既使用空间表示也使用时间表示,因此也需要为空间和时间描述符执行KNN。
需要指出的是,KNN是K最邻近结点算法(k-Nearest Neighbor algorithm)的缩写形式,是电子信息分类器算法的一种,KNN方法对包容型数据的特征变量筛选尤其有效,因此在筛选结果时,选用KNN方法。
本发明提供的一种小鼠行为识别系统,包括:设置在监控区域的监控终端、处理器、控制装置和显示器;监控终端将记录采集的运动数据传输到处理器,经处理后传输到控制装置,控制装置通过显示器显示最终结果。
本发明提供的一种小鼠行为识别系统,包括:设置在监控区域的监控终端、处理器、控制装置和显示器,监控终端将记录采集的运动数据传输到处理器,经处理后传输到控制装置,控制装置通过显示器显示最终结果,处理器根据小鼠行为识别方法对数据进行处理并存储,能够提高识别的精准度,并且提高工作效率。
需要指出的是,监控终端采用Kinect装置,能够自动识别小鼠骨架并对骨架数据进行处理,同时经处理后的数据将存储在储存器内。
本实施例的可选方案中,处理器包括用于接收数据的接收模块、预处理模块、分析模块和发送模块;经预处理模块处理的数据传输到分析模块,分析模块分析后的数据经发送模块传输到控制装置。
接收模块与储存器连接,储存器将Kinect装置处理的数据传输给接收模块,接收模块将接收到的数据传递到预处理模块,小鼠的运动数据经预处理后传递到分析模块,分析模块对数据进行进一步分析处理,然后得出结果,通过发生模块将得到的结构发送到存储器内。
本实施例的可选方案中,小鼠行为识别系统还包括用于存储全部数据的存储器;监控终端、处理器和控制装置均匀存储器连接。
存储器用于存储并备份所有实验数据,同时将数据传输给控制装置和处理器。经处理器处理得出结果后,将结果传输到控制装置,控制装置控制显示器显示结果,结果一目了然。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种小鼠行为识别方法,其特征在于,包括:
步骤1.监控终端实时采集小鼠的运动以形成运动数据序列,并对获取的运动数据序列进行标准化处理,将获取的运动数据序列存储到存储设备中;
步骤2.采用低通过滤的过滤器对运动数据序列进行筛选;
步骤3.采用分离式余弦转移系统对运动数据序列进行转移;
步骤4.从空间和时间两个角度对运动数据序列进行处理;
步骤5.采用词频-逆向文件频率方法测量数据的重要性;
步骤6.采用KNN方法处理运动数据序列,得出结果。
2.根据权利要求1所述的小鼠行为识别方法,其特征在于,所述监控终端采用Kinect装置。
3.根据权利要求1所述的小鼠行为识别方法,其特征在于,所述标准化处理包括去噪处理和骨架数据处理。
4.根据权利要求3所述的小鼠行为识别方法,其特征在于,所述步骤2通过低通过滤的过滤器来移除乱码以及高频率的动作数据序列。
5.根据权利要求4所述的小鼠行为识别方法,其特征在于,所述步骤3通过分离式余弦转移系统将Kinect装置捕捉到的运动轨迹从按时间维度转移到按频率维度。
6.根据权利要求5所述的小鼠行为识别方法,其特征在于,所述步骤5中,采用词频-逆向文件频率方法筛选出包含特异性的运动数据序列。
7.根据权利要求6所述的小鼠行为识别方法,其特征在于,所述步骤6中,经过KNN方法处理后,将数据传输到控制装置,然后在显示装置上显示。
8.一种小鼠行为识别系统,其特征在于,包括:设置在监控区域的监控终端、处理器、控制装置和显示器;
所述监控终端将记录采集的运动数据传输到所述处理器,经处理后传输到所述控制装置,所述控制装置通过所述显示器显示最终结果。
9.根据权利要求8所述的小鼠行为识别系统,其特征在于,所述处理器包括用于接收数据的接收模块、预处理模块、分析模块和发送模块;
经所述预处理模块处理的数据传输到所述分析模块,所述分析模块分析后的数据经所述发送模块传输到所述控制装置。
10.根据权利要求8所述的小鼠行为识别系统,其特征在于,还包括用于存储全部数据的存储器;
所述监控终端、所述处理器和所述控制装置均匀所述存储器连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710431083.3A CN107239767A (zh) | 2017-06-08 | 2017-06-08 | 小鼠行为识别方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710431083.3A CN107239767A (zh) | 2017-06-08 | 2017-06-08 | 小鼠行为识别方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107239767A true CN107239767A (zh) | 2017-10-10 |
Family
ID=59987737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710431083.3A Pending CN107239767A (zh) | 2017-06-08 | 2017-06-08 | 小鼠行为识别方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107239767A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163086A (zh) * | 2019-04-09 | 2019-08-23 | 缤刻普达(北京)科技有限责任公司 | 基于神经网络的健身动作识别方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739557A (zh) * | 2010-01-26 | 2010-06-16 | 重庆大学 | 基于运动周期分析的人体异常行为识别方法及装置 |
CN101894276A (zh) * | 2010-06-01 | 2010-11-24 | 中国科学院计算技术研究所 | 人体动作识别的训练方法和识别方法 |
CN104866727A (zh) * | 2015-06-02 | 2015-08-26 | 陈宽 | 基于深度学习对医疗数据进行分析的方法及其智能分析仪 |
CN106056035A (zh) * | 2016-04-06 | 2016-10-26 | 南京华捷艾米软件科技有限公司 | 一种基于体感技术的幼儿园智能监控方法 |
-
2017
- 2017-06-08 CN CN201710431083.3A patent/CN107239767A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739557A (zh) * | 2010-01-26 | 2010-06-16 | 重庆大学 | 基于运动周期分析的人体异常行为识别方法及装置 |
CN101894276A (zh) * | 2010-06-01 | 2010-11-24 | 中国科学院计算技术研究所 | 人体动作识别的训练方法和识别方法 |
CN104866727A (zh) * | 2015-06-02 | 2015-08-26 | 陈宽 | 基于深度学习对医疗数据进行分析的方法及其智能分析仪 |
CN106056035A (zh) * | 2016-04-06 | 2016-10-26 | 南京华捷艾米软件科技有限公司 | 一种基于体感技术的幼儿园智能监控方法 |
Non-Patent Citations (2)
Title |
---|
李茜楠: "基于Kinect的异常步态检测", 《中国优秀硕士学位论文全文数据库》 * |
洪留荣: "应用轮廓变化信息的实验鼠行为识别", 《计算机工程》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163086A (zh) * | 2019-04-09 | 2019-08-23 | 缤刻普达(北京)科技有限责任公司 | 基于神经网络的健身动作识别方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiao et al. | New generation deep learning for video object detection: A survey | |
CN102811343B (zh) | 一种基于行为识别的智能视频监控系统 | |
CN106529477B (zh) | 基于显著轨迹和时空演化信息的视频人体行为识别方法 | |
Liu et al. | Applications of computer vision in monitoring the unsafe behavior of construction workers: Current status and challenges | |
CN109086706A (zh) | 应用于人机协作中的基于分割人体模型的动作识别方法 | |
Zhao et al. | 3d behavior recognition based on multi-modal deep space-time learning | |
Huynh-The et al. | Hierarchical topic modeling with pose-transition feature for action recognition using 3D skeleton data | |
CN108830170A (zh) | 一种基于分层特征表示的端到端目标跟踪方法 | |
Ma et al. | NPU RGB+ D dataset and a feature-enhanced LSTM-DGCN method for action recognition of basketball players | |
Fortes Rey et al. | Translating videos into synthetic training data for wearable sensor-based activity recognition systems using residual deep convolutional networks | |
Gupta et al. | Digital twin techniques in recognition of human action using the fusion of convolutional neural network | |
Wang et al. | Temporal action detection based on two-stream You Only Look Once network for elderly care service robot | |
Xia et al. | Gesture tracking and recognition algorithm for dynamic human motion using multimodal deep learning | |
CN103310191A (zh) | 运动信息图像化的人体动作识别方法 | |
CN112861808B (zh) | 动态手势识别方法、装置、计算机设备及可读存储介质 | |
CN107239767A (zh) | 小鼠行为识别方法及其系统 | |
Li et al. | Human motion representation and motion pattern recognition based on complex fuzzy theory | |
Zhang et al. | Computer vision-based construction process sensing for cyber–physical systems: A review | |
Cui et al. | Efficient human motion recovery using bidirectional attention network | |
CN113743319B (zh) | 一种自监督型智能健身方案生成方法和装置 | |
Zuo et al. | Three-dimensional action recognition for basketball teaching coupled with deep neural network | |
Wang | A survey of visual analysis of human motion and its applications | |
Mindoro et al. | A comparative study of deep transfer learning techniques for cultural (aeta) dance classification utilizing skeleton-based choreographic motion capture data | |
Krishnan et al. | ARRNET: action recognition through recurrent neural networks | |
Quattrocchi et al. | Put Your PPE on: A Tool for Synthetic Data Generation and Related Benchmark in Construction Site Scenarios. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171010 |