Action recognition学习笔记（0707）

一、几种常用算法

1. DTW

在孤立词语音识别中，最为简单有效的方法是采用DTW（Dynamic Time Warping，动态时间归整）算法，该算法基于动态规划（DP）的思想，解决了发音长短不一的模板匹配问题，是语音识别中出现较早、较为经典的一种算法，用于孤立词识别。HMM算法在训练阶段需要提供大量的语音数据，通过反复计算才能得到模型参数，而DTW算法的训练中几乎不需要额外的计算。所以在孤立词语音识别中，DTW算法仍然得到广泛的应用。

2. HMM

隐马尔可夫模型（Hidden Markov Model，HMM）是统计模型，它用来描述一个含有隐含未知参数的马尔可夫过程。其难点是从可观察的参数中确定该过程的隐含参数。然后利用这些参数来作进一步的分析，例如模式识别。
史上最详细最容易理解的HMM文章

隐马尔可夫模型(HMM)[4]是一种用于研究具有离散时间特性的概率统计技术，早期被成功运用于语音识别中，最近被尝试用于运动模式的识别。它的模型结构可以概括为一个隐马尔可夫链和一个固定的输出概率分布集。

3. BN/DSN

贝叶斯网络是一个用严格的数学方法来模拟一个世界的方法，是灵活的，适应于任何你拥有的知识程度的方法，同时也是计算效率的方法。
怎么通俗易懂地解释贝叶斯网络和它的应用？ http://www.norsys.com/

4. MHI

MHI最初是由Bobick 和 Davis提出的，在此之前，Bobick和 Davis 首先提出了二值的运动能量图（Motion Energy Image，MEI），通过描述物体如何移动和运动在空间中。MHI最初是由Bobick 和 Davis提出的，在此之前，Bobick 和 Davis 首先提出了二值的运动能量图（Motion Energy Image，MEI），通过描述物体如何移动和运动在空间中发生的位置，来进行基于运动的物体识别。运动能量图显示了运动的轮廓和能量的空间分布。在运动能量图的基础上产生了运动历史图（Motion History Image，MHI）。运动历史图是一种基于视觉的模板方法，通过计算时间段内同一位置的像素变化，将目标运动情况以图像亮度的形式表现出来。它是这样的一种图像：其每个像素的灰度值表示了在一组视频序列中该位置像素的最近的运动情况。最后运动的时刻越接近当前帧，该像素的灰度值越高。因此，MHI图像可以表征人体在一个动作过程中最近的动作情况，这使得MHI被广泛应用于动作识别领域。

5. SSD

SSD是Wei Liu等人去年提出来的一个object detection框架，在PascalVOC上mAP可以超过著名的Faster RCNN，同时速度可以做到实时，简直强无敌。之前用别人的MXNet代码跑过实验，最近需要改进一下算法，所以去翻了一下原作者用Caffe实现的代码。

本文提出的SSD算法是一种直接预测bounding box的坐标和类别的object detection算法，没有生成proposal的过程。针对不同大小的物体检测，传统的做法是将图像转换成不同的大小，然后分别处理，最后将结果综合起来，而本文的ssd利用不同卷积层的feature map进行综合也能达到同样的效果。算法的主网络结构是VGG16，将两个全连接层改成卷积层并再增加4个卷积层构造网络结构。对其中5个不同的卷积层的输出分别用两个3*3的卷积核进行卷积，一个输出分类用的confidence，每个default box生成21个confidence（这是针对VOC数据集包含20个object类别而言的）；一个输出回归用的localization，每个default box生成4个坐标值（x，y，w，h）。另外这5个卷积层还经过priorBox层生成default box（生成的是坐标）。上面所述的5个卷积层中每一层的default box的数量是给定的。最后将前面三个计算结果分别合并然后传递给loss层。
SSD（single shot multibox detector）算法及Caffe代码详解

论文截图：

image.png