CV顶会(CVPR，ICCV，ECCV)2016——2021年目标检测（人体行为检测）论文汇总摘要

1. 2016.Spatio-Temporal LSTM with Trust Gates for 3D Human Action Recognition（基于Trust Gates的瞬时时空LSTM三维人体动作识别）
   创新点：基于三维骨架数据，为处理噪声和遮挡，在LSTM中引入新的门机制，采用树结构遍历方法。依旧是rnn+lstm。
   数据集：NTU RGB+D Dataset

2. 2017.Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields(使用部分关联域的实时多人2D姿态估计)
   创新点：使用一个新的方法，待定没看
   数据集：COCO 2016 keypoints challenge，MPII dataset。

3. 2017.A New Representation of Skeleton Sequences for 3D Action Recognition（一种新的用于三维动作识别的骨架序列表示）
   创新点：将每个骨架序列转换为三个剪辑，每个剪辑由若干个帧组成，利用深度神经网络进行时空特征学习。Clips + CNN + MTLN，比ST-LSTM结果好。
   数据集：NTU RGB+D Dataset，SBU kinect interaction dataset，CMU dataset。

4. 2017.Multi-Task Clustering of Human Actions by Sharing Information（基于信息共享的多任务人类行为聚类）
   创新点：待定没看
   数据集： MTIB，UCF50， HMD-B。

5. 2017.View Adaptive Recurrent Neural Networks for High Performance Human Action Recognition from Skeleton Data
   创新点：一种基于LSTM体系结构的视图自适应递归神经网络(RNN)
   对网络本身进行最适合的适应观察。
   数据集：NTU RGB+D Dataset，SBU Kinect Interaction Dataset，SYSU 3D Human-Object Interaction Set，

6. Independently Recurrent Neural Network (IndRNN): Building A Longer and Deeper RNN（立循环神经网络(IndRNN):构建一个更长的和更深层次的RNN）
   创新点：新的网络IndRNN，好像是在lstm上的改进。
   数据集： NTU RGB+D dataset。

7. 2018.Deep Progressive Reinforcement Learning for Skeleton-based Action Recognition（基于骨骼的动作识别的深度渐进强化学习）
   创新点：新的方法DPRL。
   数据集：NTU+RGBD Dataset (NTU)，SYSU-3D Dataset (SYSU)，UT-Kinect Dataset (UT)。

8. 2018.Structured Attention Guided Convolutional Neural Fields for Monocular Depth Estimation
   待定

9. 2019.The Instantaneous Accuracy: a Novel Metric for the Problem of Online Human Behaviour Recognition in Untrimmed Videos（瞬时精度:问题的一种新度量 在线人类行为识别在未修剪的视频）
   创新点：在线动作检测(OAD)中，介绍了一种新的在线度量，Instantaneous Accuracy (IA)。主要介绍了一种度量方法，不是常规论文。

10. 2019.Interpretable Spatio-temporal Attention for Video Action Recognition（用于视频动作识别的可解释时空注意）
    创新点：一种基于卷积LSTM的注意机制，从输入视频中识别出最相关的帧。ResNet50 or ResNet101
    数据集： HMDB51 ，UCF101

11. 2019. Real-time Aerial Suspicious Analysis (ASANA) System for the Identification and Re-Identification of Suspicious Individuals in Crowds using the Bayesian ScatterNet Hybrid (BSH) Network（
          实时空中可疑物分析(ASANA)系统的识别和重新识别人群中的可疑人员使用贝叶斯散射网混合(BSH)网络）
          待定没看

12. 2019.Explicit Spatiotemporal Joint Relation Learning for Tracking Human Pose（用于人体姿态跟踪的显式时空联合关系学习）
    创新点：一种新的方法
    数据集：Human3.6M，MSRA Hand 2015 (MSRA15)。

13. 2019.Fully Learnable Group Convolution for Acceleration of Deep Neural Networks（用于深度神经网络加速的完全可学习群卷积）
    一种新的卷积方法，与人体行为检测无关，所以待定。

版权声明：本文为CSDN博主「冰冰啦啦啦啦啦」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_40551628/article/details/117354017