{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期-部分”：[[2023,5,19]]，“日期-时间”：“2023-05-19T04:55:55Z”，“时间戳”：1684472155828}，“发布者位置”：“美国纽约州纽约市”，“引用-计数”：41，“发布商”：“ACM”，“内容-域”：[“dl.ACM.org”]，“交叉标记-严格离子“：true}，”短容器时间“：[]，“published-print”：{“date-parts”：[[2018,12,18]]}，“DOI”：“10.1145\/32933353.3293376”，“type”：“proceedings-article”，“created”：{“date-ports”：[2020,5,4]，“date-time”：“2020-05-04T22:07:32Z”，“timestamp”：1588630052000}，”update-policy“http://dx.DOI.org\/10.1145\/crossmark-policy”，“source”：“Crossref”，“is-referenced-by-count”：0，“title”：[“用于日常生活动作识别的时空网格”]，“前缀”：“10.1145”，“作者”：[{“给定”：“Srijan”，“家庭”：“Das”，“sequence”：“first”，“affiliation”：[}“name”：“INRIA，Sophia Antipolis，Valbonne，Nice”}]}，{“given”：“Kaustubh”，“family”：“Sakhalkar”，“序列”：“additional”，“从属关系”：[[{”name不错“}]}，{“given”：“Michal”，“family”：“Koperski”，“sequence”：“additional”，“affiliation”：[{“name”：“INRIA，Sophia Antipolis，Valbonne，Nice”}]}，{“给定”：“Francois”，“家族”：“Bremond”，“序列”：“附加”，“从属关系”：[}]，“member”：“320”，“published on”：{“date-parts”：[2020,0 5,3]]}，“引用”：[{“键”：“e_1_3_2_1_1_1”，“非结构化”：“Mart\u00edn Abadi等人，2015年。TensorFlow：异构系统上的大规模机器学习。(2015). https:\/\/www.tensorflow.org\/软件可从tensorfflow.org.Mart\u00edn-Abadi等人2015获得。TensorFlow：异构系统上的大规模机器学习。(2015). https:\/\/www.tensorflow.org\/可从tensorfflow.org获得的软件。“}，{“key”：“e_1_3_2_1_2_1”，“doi-asserted-by”：“publisher”，”doi“：”10.1109\/ICCVW.2017.77“}”，{”key“：”e_1_ 3_2_1_3_1“，”volume-title“瞥见云：从非结构化特征点识别人类活动。在IEEE计算机视觉和模式识别会议（CVPR）上。”，“作者“：”巴拉德尔·法比恩“，”非结构化“：”法比恩·巴拉德尔、克里斯蒂安·沃尔夫、朱利安·米勒和格雷厄姆·泰勒。2018 . 一瞥云：从非结构化特征点识别人类活动。在IEEE计算机视觉和模式识别会议（CVPR）上。Fabien Baradel、Christian Wolf、Julien Mille和Graham W.Taylor。2018.瞥见云：从非结构化特征点识别人类活动。在IEEE计算机视觉和模式识别会议（CVPR）上。“}，{”key“：”e_1_3_2_1_4_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1109\/CVPR.2017.502”}，“key”：“e_1_a_2_1_5_1”，“doi-assert-by”：“publisher”，”doi“：”10.5244\/C.28.6“}”，{2015年。P-CNN：用于动作识别的基于姿势的CNN特征。在ICCV中。吉利亨·切伦·伊万·拉普特夫（Guilhem Cheron Ivan Laptev）和科迪利亚·施密德（Cordelia Schmid）。2015.P-CNN：基于姿势的CNN动作识别功能。在ICCV中。“，”DOI“：”10.1109\/ICCV.2015.368“}，{”key“：”e_1_3_2_1_7_1“，”unstructured“：”Fran\u00e7ois Chollet等人，2015。凯拉斯。(2015). Fran\u00e7ois Cholet等人，2015年。凯拉斯。(2015).“}，{”key“：”e_1_3_2_1_8_1“，”unstructured“：”Srijan Das Michal Koperski Francois Bremond和Gianpiero Francesca.2017。基于RGB和基于深度骨架的混合的动作识别。在AVSS中。Srijan Das Michal Koperski Francois Bremond和Gianpiero Francesca。2017.基于RGB和深度骨架混合的动作识别。在AVSS中。“}，{”键“：”e_1_3_2_1_9_1“，”doi-asserted-by“：”交叉引用“，”非结构化“：”S.Das M.Koperski F.Bremond和G.Francesca.2018。基于外观的CNN和骨架时间演化与LSTM的融合，用于日常生活行为识别。ArXiv电子版（2018年2月）。arX输入：cs。CV\/1802.00421 S.Das M.Koperski F.Bremond和G.Francesca。2018年，基于外观的CNN和骨架时间演化与LSTM的融合，用于日常生活动作识别。ArXiv电子版（2018年2月）。arX输入：cs。CV\/1802.00421“，”DOI“：”10.1109\/AVSS.2018.8639122“}，{“key”：“e_1_3_2_1_10_1”，“volume-title”：“用于视觉识别和描述的长期递归卷积网络。在IEEE计算机视觉和模式识别会议（CVPR）上。”，“author”：“Donahue Jeffrey”，“year”：“2015”，“unstructured”：“Jeffrey Donahue、Lisa Anne Hendricks、Sergio Guadarrama、Marcus Rohrbach、Subhashini Venugopalan、Kate Saenko和Trevor Darrell。2015 . 用于视觉识别和描述的长期递归卷积网络。在IEEE计算机视觉和模式识别会议（CVPR）上。Jeffrey Donahue、Lisa Anne Hendricks、Sergio Guadarrama、Marcus Rohrbach、Subhashini Venugopalan、Kate Saenko和Trevor Darrell。2015.用于视觉识别和描述的长期递归卷积网络。在IEEE计算机视觉和模式识别会议（CVPR）上。“}，{”key“：”e_1_3_2_11_1“，”doi-asserted-by“：”publisher“，”doi“：”10.1109\/CVPR.2016.213“}、{”key“：Fang Hu Wei-Shi Zheng Jianhuang Lai和JianGuo Zhang，2015年。联合学习RGB-D活动识别的异构特征。在CVPR中。https:\/\/doi.org\/10.109\/CVPR.2015.7299172 10.1109\/CVPR.2015.7299172 10.1109\/CVPR.2015.729299172“，“doi”：“10.1109\/CVPR.2015.7 299172”}，{“key”：“#cr-split#-e_1_3_13_1.2”，“doi-asserted-by”：“crossref”，“unstructured”：“Jian-Fang Hu Wei-Shi Zheng Jianhuang Lai and JianGuo Zhang.2015。联合学习RGB-D活动识别的异构特征。在CVPR中。https:\/\/doi.org\/10.109\/CVPR.2015.7299172“，”doi“：”10.1109\/CVPR.2015.7299172“}，{”key“：”e_1_3_2_14_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1109\/TPAMI.2016.260292”}，“key”：“e_1_ 3_2_15_1”，“doi-assert-by”：“crossref”，”unstructured“：”Andrej Karpathy George Toderic Sanketh Shetty Thomas Leu ng Rahul Sukthankar和Li Fei-Fei，2014年。基于卷积神经网络的大尺度视频分类。在CVPR中。Andrej Karpathy George Toderici Sanketh Shetty Thomas Leung Rahul Sukthankar和Li Fei Fei。2014.基于卷积神经网络的大规模视频分类。在CVPR中。“，”DOI“：”10.1109\/CVPR.2014.223“}，{“key”：“e_1_3_2_16_1”，“volume-title”：“Kingma and Jimmy Ba”，”author“：”Diederik“，”year“：”2014“，”unstructured“：”Diederik P.Kingma andJimmy Bar.2014.Adam:A Method for Stochastic Optimization。CoRR abs\/1412.6980 Jimmy Ba.2014年。亚当：一种随机优化方法。CoRR abs（2014）。arXiv:1412.6980 http://arXiv.org/abs\/14126.6980“}，{“key”：“e_1_3_2_1_17_1”，“doi asserted by”：“crossref”，“unstructured”：“Yu Kong and Yun Fu.2015。用于RGB-D动作识别的双线性异构信息机。在CVPR中。于刚和云浮。2015.用于RGB-D动作识别的双线性异构信息机。在CVPR中。“，”DOI“：”10.1109\/CVPR.2015.7298708“}，{”key“：”e_1_3_2_18_1“，”DOI-asserted-by“：”crossref“，“unstructured”：“Michal Koperski Piotr Bilinski and Fran\u00e7ois Bremond.2014。动作识别的3D轨迹。在ICIP中。https:\/\/hal.inria.fr\/hal-01054949 Michal Koperski Piotr Bilinski和Fran\u00e7ois Bremond。2014.动作识别的3D轨迹。在ICIP中。https:\/\/hal.inria.fr\/hal-01054949“，”DOI“：”10.1109\/ICIP.2014.7025848“}，”key“：”e_1_3_2_19_1“，”DOI-asserted-by“：”publisher“，“DOI”：“10.1109\/AVSS.2016.7738023”}，，“作者”：“Koppula Hema Swetha”，“年份”：“2013年”，“非结构化”：“Hema Swetha Koppula、Rudhir Gupta和Ashutosh Saxena。2013 . 从RGB-D视频中学习人类活动和对象负担。国际J.Rob。第32、8号决议（2013年7月），951-970。https:\/\/doi.org\/10.1177\/0278364913478446 10.1177\/02789613478446Hema Swetha Koppula、Rudhir Gupta和Ashutosh Saxena。2013.从RGB-D视频中学习人类活动和对象负担。国际J.Rob。第32、8号决议（2013年7月），951-970。https:\/\/doi.org\/10.1177\/0278364913478446“，”journal-title“：”视频。国际J.Rob。Res.“}，{”key“：”e_1_3_2_1_21_1“，”volume-title“：”第30届国际机器学习会议论文集“，”卷“：”28“，”author“：”Hema“，”unstructured“：”Heama S.Koppula and Ashutosh Saxena。2013。从RGB-D视频中学习人类活动检测和预测的时空结构。第30届国际机器学习会议论文集——第28卷（ICML'13）。JMLR.org，III-792-III-800。http://\/dl.acm.org\/citation.cfm？id=3042817.3043025赫马S.科普拉和阿什图什·萨克塞纳。2013年，通过RGB-D视频学习人类活动检测和预测的时空结构。第30届国际机器学习会议论文集——第28卷（ICML'13）。JMLR.org，III-792-III-800。http://\/dl.acm.org\/citation.cfm？id=3042817.3043025“}，{”key“：”e_1_3_2_1_22_1“，”doi-asserted-by“：”publisher“，”doi“：”10.1007\/s11263-015-0876-z“}”，{“key”：”e_ 1_3_2 _1_23_1“，“doi-assert-by”：“publisher”，“doi”：“10.1007\/978-319-46487-9_50”}，”key：“e_1_ 3_2_1_24_1”，”doi asserted-by“”：”publiver“，”doi“：“10.1109\/WACV.2016.7477694”}，{“key”：“e_1_3_2_1_25_1”，“volume-title”：“用于动作识别的范围-采样深度功能。2014年IEEE计算机视觉和模式识别会议。772--779”，“作者”：“卢C.”，“年份”：“2014”，“非结构化”：“C.Lu，J.Jia，and C.K.Tang。2014 . 用于动作识别的范围-采样深度功能。2014年IEEE计算机视觉和模式识别会议。772--779 . https:\/\/doi.org\/10.109\/CVPR。2014.104 10.1109 \/CVPR.2014.104 C.Lu、J.Jia和C.K.Tang。2014.行动识别的范围-样本深度特征。2014年IEEE计算机视觉和模式识别会议。772--779. https:\/\/doi.org\/10.109\/CVPR.2014.104“}，{”key“：”e_1_3_2_1_26_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1109\/CVPR.2016.333”}，“key”：“e_1_ 3_2_1_2 _27_1”，“doi-assert-by”：“crossref”，”unstructured“：”Omar Oreifej和Zicheng Liu.2013。HON4D：从深度序列识别活动的定向4D法线直方图。在CVPR中。奥马尔·奥雷菲吉（Omar Oreifej）和刘子成（Zicheng Liu）。2013年，HON4D：用于深度序列活动识别的定向4D法线柱状图。在CVPR中。“，”DOI“：”10.1109\/CVPR.2013.98“}，{”key“：”e_1_3_2_1_28_1“，”DOI-asserted-by“：”publisher“，-title“：“RGB+D视频中动作识别的深度多模态特征分析”，“音量”：“99”，“作者”：“Shahroudy A.”，“年份”：“2017年”，“非结构化”：“A.Shahroudi，T.T.Ng，Y.Gong，and G.Wang。2017 . RGB+D视频中动作识别的深度多模态特征分析。IEEE模式分析和机器智能汇刊PP，99（2017），1-1。https:\/\/doi.org\/10.109\/TPAMI.2017.2691321 10.1109\/TPAMI.2017.26S1321 A.Shahroudy、T.Ng、Y.Gong和G.Wang。2017.RGB+D视频中动作识别的深度多模态特征分析。IEEE模式分析和机器智能汇刊PP，99（2017），1--1。https:\/\/doi.org\/10.109\/TPAMI.2017.2691321“，”journal-title“：”模式分析和机器智能PP的IEEE事务“}，{“key”：“e_1_3_2_1_31_1”，“volume-title”：“使用视觉注意进行动作识别。arXiv preprint arXiv:1511.04119”，“author”：“Sharma Shikhar”，“year”：“2015”，“unstructured”：“”Shikhar Sharma、Ryan Kiros和Ruslan Salakhutdinov。2015.使用视觉注意力进行动作识别。arXiv预印arXiv:1511.04119（2015）。Shikhar Sharma、Ryan Kiros和Ruslan Salakhutdinov。2015.使用视觉注意力进行动作识别。arXiv预印arXiv:1511.04119（2015）。}，{“key”：“e_1_3_2_1_32_1”，“非结构化”：“Karen Simonyan和Andrew Zisserman，2014。视频中动作识别的双流卷积网络。神经信息处理系统进展。568--576. 凯伦·西蒙扬和安德鲁·齐瑟曼。2014.视频中动作识别的双流卷积网络。神经信息处理系统进展。568--576.“}，{”key“：”e_1_3_2_1_33_1“，”doi-asserted-by“：”crossref“，“unstructured”：“Jaeyong Sung Colin Ponce Bart Selman and Ashutosh Saxena.2012。基于RGBD图像的非结构化人体活动检测。在ICRA中。Jaeyong Sung Colin Ponce Bart Selman和Ashutosh Saxena。2012.RGBD图像中的非结构化人类活动检测。在ICRA中。“，”DOI“：”10.1109\/ICRA.2012.6224591“}，{”key“：”e_1_3_2_1_34_1“，”DOI-asserted-by“：”publisher“，“DOI”：“10.1109\/ICCV.2015.510”}，“key”：“e_1_ 3_2_1_1_35_1”，“DOI-assert-by”：“publisher”具有改进轨迹的动作识别。在IEEE国际计算机视觉会议上，“作者”：“王恒”，“年份”：“2013年”，“非结构化”：“王恒和科迪莉亚·施密德。2013 . 具有改进轨迹的动作识别。在IEEE国际计算机视觉会议上。澳大利亚悉尼。http:\/\/hal.inria.fr\/hal-00873267 Heng Wang和Cordelia Schmid。2013.改进轨迹的行动识别。在IEEE国际计算机视觉会议上。澳大利亚悉尼。http:\/\/hal.inria.fr\/hal-00873267“}，{”key“：”e_1_3_2_1_37_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1109\/CVPR.2015.7299059”}，“key”：“e_1_a_2_1_38_1”，“unstructured”：“Ying Wu.2012。使用深度摄像头进行动作识别的挖掘动作集集成。在CVPR中。吴莹。2012.使用深度摄像头进行动作识别的挖掘动作集集成。在CVPR中。}，{“key”：“e_1_3_2_1_39_1”，“volume-title”：“多层LSTM网络用于基于骨架的动作识别的几何特征研究。2017年IEEE计算机视觉应用冬季会议（WACV）。148--157”，《作者》：“Zhang S”，《年份》：“2017”，《非结构化》：“S.Zhang，X.Liu，and J。肖。2017 . 基于骨架的多层LSTM网络动作识别的几何特征研究。2017年IEEE计算机视觉应用冬季会议（WACV）。148--157 . https:\/\/doi.org\/10.109\/WACV。2017.24 10.1109 \/WACV.2017.24 S.Zhang、X.Liu和J.Xiao。2017.关于使用多层LSTM网络进行基于骨架的动作识别的几何特征。2017年IEEE计算机视觉应用冬季会议（WACV）。148--157. https:\/\/doi.org\/10.109\/WACV.2017.24“}，{”key“：”e_1_3_2_1_40_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1109\/ICCV.2017.316”}]，“event”：{“name”：“ICVGIP 2018:第十一届印度计算机视觉、图形和图像处理会议”，“location”：“Hyderabad India”，“缩写”：“ICVGIP 2018”}，“container-title”：[“第十一届印度计算机视觉、图形和图像处理会议记录“]，“original-title”：[]，“link”：[{“URL”：“https:\/\/dl.acm.org\/doi\/pdf\/10.1145\/329333376”，“content-type”：“unspecified”，“content-version”：“vor”，“intended-application”：“similarity-checking”}]，“deposed”：{“date-parts”：[2023,5,18]]，“date-time”：2023-05-18T23:38:21Z“，”timestamp“：1684453101000}，”score“：1，”resource“：{”primary”：{“URL”：“https:\/\/dl.acm.org\/doi\/10.1145\/3293376”}}，“subtitle”：[]，“shorttitle”：[]，“issued”：{“date-parts”：[2018,12,18]]}，《references-count》：41，“alternative-id”：[“10.1145\/329353.3293376“，“10.1145\/3293353”]，“URL”：“http:\/\/dx.doi.org\/10.1145\/3293353376“，”关系“：{}，”主题“：[]，”发布“：{”日期-部分“：[[2018,12,18]]}，“断言”：[{“值”：“2020-05-03”，“顺序”：2，“名称”：“发布”，“标签”：“已发布”，”组“：”名称“：”发布历史“，”标签“：“发布历史”}}}}