Deep Spatio-Temporal Transformationを用いた逐次人物動作検出

摘要

本研究では、複数フレームのスケルトンデータを入力とするConvolutional Neural Networkを用いた逐次人物動作検出について述べる．スケルトンデータを全結合層により，ある画像に変換し，その画像を3D畳込み層への入力とするネットワークを提案する．さらに，出力としてフレームの動作クラスの所属確率を出力し，精度向上のために複数フレーム間の所属確率に対し，平均フィルタを複数回適用する．実験では、人物動作のスケルトンデータ，画像データ，デプスデータからなるOnline Action Detection datasetを用いて，従来手法と提案手法との逐次人物動作検出精度の比較を行った．結果として，従来手法よりも高精度の検出結果を得ることが出来た．