红外动作识别数据集：不同季节红外动作识别的研究_infar 数据集

这是一篇比较专业的文章，背景知识不够应该看不懂，我背景知识就不够，因此我只分析了摘要和结论，发现结论对我还是很有用的，大体了解了一下内容结构，感觉就是如果写文章的话，这篇模仿是做不到的，任务量极大，基础知识必须扎实，数据集数量很巨大，动作种类很全。就我目前的实验情况来看该篇只能敬而远之，可远观而不可模仿。不过要是在大实验室，人手很多的话可以考虑集体做一篇。

题目：InfAR dataset Infrared action recognition at different times

摘要：动作识别是视频分析和计算机视觉研究中最重要的一项任务。最近有大量动作识别相关方法被提出。尽管这些方法中的大部分是针对可见光谱下收集的数据集。红外场景下的动作识别没有得到关注。几乎没有公共数据集满足红外动作识别研究的基本评估要求。针对这个问题，本文的工作旨在强调红外动作识别应用问题的重要性和引起研究人员在这方面的关注。其次，我们建立了一个新的红外动作识别数据集，图片来自对不同时刻动作的捕捉。包括夏天和冬天的场景，并且探索如何用最新的方法识别我们的红外动作识别数据集，这些方法分别基于低级特征和深度卷积神经网络。结果显示：① dense trajectory features密集轨迹特征可以实现最好的效果，尽管是表面特征。比如，HOG，效果相对较差；②本地聚合描述符矢量的编码方式明显优于广泛使用的费舍尔矢量；③后期融合比前期融合有利于实现更好的效果；④在冬季抓拍的动作视频比夏季的更易于辨别；⑤对比外观信息，动作信息对于红外动作识别来说更必要，利用深度CNN提取这部分信息可以更好的提高识别效果。在我们数据集上识别率最好的情况是76.66%。为红外动作识别留下探索空间并且还根据建立的红外动作识别数据集设计了适应性的技巧来提高识别效果。

1.引言

2.红外动作识别数据集介绍

3.使用浅层特征的红外动作识别

3.1浅层特征

3.2特征编码方式

3.3融合策略

3.4实验和分析

3.4.1评估浅层特征

3.4.2前期融合和后期融合

3.4.3成像因子影响评估

4.使用CNN的红外动作识别

4.1用于红外动作识别的双通道CNN

4.2实验与分析

5.结论

强调了红外数据集的稀缺，如何将可见光动作识别方式移植到红外动作识别值得研究的，给出了可能的方式：①针对冬天的低温环境，繁杂的背景集群应该避免，我们应该关注人活动区域这个特征描述依靠首先检测这个区域。②如果环境温度相对较高，我们在设计提取特征时必须考虑杂乱背景。这种情况下，将红外信息和可见光信息结合起来是一种很好的方式。