钱闻卓

（杭州电子科技大学，杭州 310018）

0 引言

自从进入了自媒体时代以后，越来越多的用户在抖音、快手这样的平台来分享自己的生活视频并且观看别人的视频。在抖音公布的2020年数据报告中，日活跃用户已经突破了6亿大关，这已经接近全国人口数量的一半。伴随着视频量的爆炸式增长，视频的商业用途也在逐渐地扩大，在过去十几年中，随着计算机视觉技术的不断发展，与视频数据处理有关的人体动作识别［1］、目标检测［2-3］等方法都在生活中被大规模推广和应用，这大大提高了人们的生活效率和质量。其中人体动作识别技术是计算机视觉应用的一大代表，它在办公交互、虚拟竞技、虚拟游戏、医疗诊断、视频监控等领域都有很广泛的应用。近年来，人体动作识别技术取得了较快的发展，比较常用的传统的动作识别方法有基于模板匹配的方法、基于概率统计的方法，以及基于语法的方法［4］。由于传统的识别方法大部分需要人工提取特征，所以较为耗时耗力［5］。而随着深度学习技术的发展，人们开始利用神经网络技术完成一些分类任务，其中在2012年ImageNet大型视觉识别挑战赛（ILSVRC）上，由于AlexNet的横空出世，使像ImageNet这样的大型数据集的图像分类错误率大大下降［6］，使人们更加注意到利用深度学习技术进行分类的优势。此后，不少研究人员将目光转向了深度学习研究中去。伴随着深度学习技术的发展，行为动作识别的技术也得到了快速发展，其中，有基……