摘要
基于骨架的动作识别面临的一个挑战是，难以区分运动模式相似的动作以及涉及物体的动作。在此方面，来自其他模态的视觉线索能够提供有效帮助。然而，RGB数据对光照条件敏感，在黑暗环境中无法使用。为缓解这一问题并依然利用视觉模态的优势，我们提出了一种模块化网络结构（FUSION），融合骨架数据与红外数据。该方法采用二维卷积神经网络（2D CNN）作为姿态模块，从骨架数据中提取特征；同时使用三维卷积神经网络（3D CNN）作为红外模块，从红外视频中提取视觉线索。随后，将两个模态提取的特征向量进行拼接，并通过多层感知机（MLP）进行联合建模与分析。此外，骨架数据还用于引导红外视频的裁剪，生成围绕动作执行者区域的局部视图，从而在视觉上聚焦红外模块的关注区域。消融实验表明，使用在其他大规模数据集上预训练的网络作为模块，结合数据增强策略，可显著提升动作分类的准确率。同时，本文提出的裁剪策略在性能提升方面也展现出显著贡献。我们在目前规模最大、用于深度摄像头下人体动作识别的NTU RGB+D数据集上对所提方法进行了评估，实验结果达到了当前最优（state-of-the-art）的性能水平。