背景提升丨国内科研-细粒度动作识别方法研究

       计算机科学

　　一封专属导师推荐信

　　一封完整的科研报告

　　一次完整的科研经历

　   【计算机科学】

　　细粒度动作识别方法研究

　　1、项目介绍

　　正式科研：1v1线上定制辅导

　　项目收获：科研报告、导师推荐信

　　科研补充包：48课时科研基础课+15课时学术写作基础课

　　2、涉及领域

　　本课题涉及到视频分析 | 图像处理 | 深度学习 等方面的知识，适合申请计算机视觉 | 图像处理 | 深度学习 | 模式识别 | 多媒体 | 计算机科学等相关专业的学生

　　3、适合人群

　　有意提高自身知识水平及学术能力的学生

　　有意掌握最前沿科研热点及科研方法的学生

　　有留学意向、跨专业深造的学生

　　4、研究前沿性

　　动作识别是计算机视觉领域的一个重要任务，是视频分析领域的一个热点和难点问题。其中，细粒度动作识别是一项更具有挑战性的任务，近年来引起了研究领域的广泛关注。与粗粒度动作识别相比，细粒度动作识别旨在区分一个大的动作分类中的子类，其类间差异更加细微，往往只能借助于微小的局部差异才能区分出不同的类别。细粒度动作还存在着姿态、光照、遮挡、背景干扰等诸多不确定因素。相关技术在智能视频监控、虚拟现实、人机交互、体育分析等诸多领域有广泛的应用前景。

　　5、研究介绍

　　本项目探索具有较小类间差异性的各种动作的区分方式，通过结合注意力机制、时序模型等实现对细粒度动作的准确识别。通过该项目，学生可以全面了解视频内容分析、动作识别等相关领域的基础知识、经典模型和研究进展。首先学习常见的时序模型如Two-Steam、LSTM、Transformer、C3D等，掌握视频特征提取和建模方法;然后通过结合注意力机制等实现对细粒度动作的识别;最后对现有方法进行分析和改进。

　　6、课题要点

　　课题研究方法

　　文献阅读、实验设计、数据处理、算法改进、性能测试与分析、文档写作

　　课题难点需要较强的计算机基础知识和编程动手能力，具备使用PyTorch等深度学习框架进行模型搭建的经验

　　7、1v1定制化辅导参考任务

　　任务一

　　掌握查阅文献和研究方法

　　· 掌握查阅文献和面向文献学习的方法;

　　· 掌握文献管理的方法;

　　· 通过查阅文献，学习该方向的研究热点和方向;

　　· 掌握快速提炼文献重要信息的方法。

　　任务二

　　学习视频处理和分析算法

　　· 阅读文献，了解常见的视频序列模型，如双流网络、LSTM、Transformer、C3D等;

　　· 了解注意力机制等工作原理和相关模型

　　任务三

　　掌握视动作识别算法

　　· 熟悉视频特征提取和表示、动作分类模型;

　　· 通过实例分析对比不同方法的优缺点。

　　任务四

　　通过算法实现和实验，研究对比不同方法的性能

　　· 总结现有方法的工作机理和优缺点;

　　· 通过复现相关算法和实验对比不同方法的性能。

　　任务五

　　模型分析与提高

　　· 分析前期实验结果，总结不同模型的具体性能;

　　· 针对发现的问题和不足进行模型改进和提高。

　　任务六

　　项目收尾

　　· 撰写整体报告;

　　· 准备一次20~30分钟的presentation。

　　(以上任务仅供参考，实际辅导根据定制化要求展开)