基于视频的人体行为识别关键技术问题对策研究

人体行为识别在人机交互、视频监控、自动驾驶、医疗保健等诸多领域有重要的应用。然而,目前的行为识别算法仍然存在一些问题和挑战。这些问题包括:(1)许多算法只能针对某类受限应用场景下的行为进行识别,而不够通用;(2)算法的泛化能力和鲁棒性差;(3)需要极大量的数据进行训练,对算力要求高;(4)缺乏类人脑的机制,不能对视频进行真正的理解;(5)缺乏对应用场景的自适应能力。另一方面,当前的公开数据集在规模和多样性方面不能满足需求,主流算法的实时性还不达标。未来该领域的研究趋势为,通用、少样本学习、具有适应能力、高鲁棒性、高准确度而且速度快的人体行为识别算法研究。基于当前主流算法的局限性,本文提出该领域的研究方向:(1)通过使用注意力机制、强化底层视觉识别能力、使用时空推理和逻辑推理模块、强化场景理解能力来提高人体行为识别系统的鲁棒性和泛化能力;(2)利用元学习机制、迁移学习机制、弱监督/无监督/半监督学习机制、跨模态学习机制实现有效的自适应学习或小样本学习;(3)优化神经网络性能,实现能在主流端侧硬件设备上实时运行的算法。