摘要
本文聚焦于识别日常生活活动（Activities of Daily Living, ADL）的时空特性。ADL具有两个显著特征：（i）细微的时空模式，以及（ii）随时间变化而呈现相似的视觉模式。因此，ADL之间往往外观极为相似，通常需要深入分析其细粒度的差异才能加以区分。由于现有的时空3D卷积神经网络（3D ConvNets）在捕捉动作过程中细微的视觉模式方面过于僵化，本文提出一种新型视频-姿态网络（Video-Pose Network, VPN）。该VPN包含两个核心组件：空间嵌入模块与注意力网络。空间嵌入模块将3D姿态信息与RGB视觉线索映射到一个共享的语义空间中，使动作识别框架能够更好地融合多模态信息，从而学习更具判别性的时空特征。为有效区分相似动作，注意力网络具备两项关键功能：（i）一种端到端可学习的姿态主干网络，能够利用人体结构的拓扑关系；（ii）一个耦合模块，用于在视频序列中生成联合的时空注意力权重，以增强对关键时空区域的关注。实验结果表明，所提出的VPN在大规模人类活动数据集NTU-RGB+D 120及其子集NTU-RGB+D 60上，均优于当前最先进的动作分类方法；同时在更具现实挑战性的丰田智能家居数据集（Toyota Smarthome）以及小规模人-物体交互数据集Northwestern UCLA上也取得了显著性能提升，验证了该方法在多种场景下的有效性与泛化能力。