Advertisement

NTURGB-D数据集,即“NTU RGB + D动作识别数据集”,及其示例代码。

  • 5星
  •     浏览量: 0
  •     大小:None
  •      文件类型:None


简介:
“NTU RGB + D”动作识别数据集及其扩展版本“NTU RGB + D 120”是专门为人类动作识别设计的,规模庞大的数据集。这些数据集在我们的CVPR 2016论文中得到了展示。“NTU RGB + D 120”实际上是对“NTU RGB + D”数据集的进一步扩充,并在我们的TPAMI 2019论文中进行了应用。对于任何关于这些数据集的疑问,请直接联系论文的第一作者。要获取数据集的下载链接,请点击以获取关于访问“NTU RGB + D”和“NTU RGB + D 120”数据集的详细信息。此外,如果仅对骨架数据感兴趣,可以通过特定的途径获得。这两个数据集分别包含了56,880个和114,480个动作样本,并且每种样本都提供了四种不同的数据形式:RGB视频、深度图序列、3D骨骼数据以及红外(IR)视频样本。

全部评论 (0)

还没有任何评论哟~
客服
客服
  • MATLAB中的PLSTM输入:使用TensorFlow实现部分感知LSTM,应用于NTU RGB+D骨骼
    优质
    本项目展示了如何在MATLAB中利用TensorFlow库编写PLSTM(部分感知LSTM)模型,并将其用于新加坡南洋理工大学RGB+D骨架动作识别数据集的深度学习任务。 在TensorFlow中实现部分感知LSTM用于基于骨骼的动作识别提出了一个新的模型——部分感知的lstm(Part-LSTM)。这个模型将整个身体分为5个不同的部位,并设计了特殊的LSTM单元以更好地提取上下文特征,这些特性让其相较于普通LSTM单元表现更佳。与传统LSTM细胞相比,PLSTM已经分离出了对应于不同身体部位的输入门(i)、遗忘门(f)和输出门(o),这使得模型能够更加有效地处理特定的身体动作。 为了实现这个模型,在TensorFlow中创建了几个文件:`network` 文件夹包括 `PartAwareLSTMCell.py`, `DataLoader.py`, 和 `PLSTM.py`. 其中的 `PartAwareLSTMCell.py` 描述了一个可识别零件的 LSTM 单元,而 `DataLoader.py` 则是一个用于加载和预处理骨架数据的数据加载器。所有骨骼数据格式类似于数组 `[Number_clips, {mat: data, view: v, class: c, actor: a}]`, 其中每一帧的数据格式为 `[Frames, 25, 3]`. 另外,`PLSTM.py` 文件是主要的训练和评估入口点。在 `utils` 文件夹内有一个文件叫 `gendata.py` ,它用于生成以numpy数组形式存在的数据。 以上描述中的代码结构与实现细节提供了构建一个基于部分感知LSTM的动作识别系统的框架。
  • MSP430F5529 A/D
    优质
    本项目聚焦于使用TI公司的MSP430F5529微控制器进行A/D数据采集的技术探讨与实践应用,涵盖硬件连接、代码编写及调试技巧。 MSP430F5529单片机的A/D采集功能可以实现单通道重复转换以及序列多通道重复采集。
  • MMDetection SUN RGB-D 的 Python 预处理工具
    优质
    这段简介可以描述为:“MMDetection SUN RGB-D 数据集预处理工具”是一款专为深度学习目标检测框架MMDetection设计的Python工具,用于高效便捷地对SUN RGB-D数据集进行预处理操作。 文件用于mmdetection3d的SUN RGB-D数据集预处理程序,原始处理程序为matlab版,这里替换成了Python版本。文件包含了数据集分割和标注数据提取两个python脚本段落件。具体使用方法请参考本人即将更新的博客。
  • SAML-D反洗钱
    优质
    SAML-D反洗钱数据集是一个专为检测和预防金融交易中的洗钱活动而设计的数据集合,包含丰富的交易记录与标签信息。 洗钱依然是一个全球性的重大问题,这促使了改进交易监控方法的需求增加。当前的反洗钱(AML)程序效率低下,并且受到法律及隐私保护限制难以获取数据资源。此外,现有数据集缺乏多样性和真实标签的问题也日益凸显。 本研究提出了一种创新的反洗钱交易生成器,用于创建具有增强特征和类型的SAML-D数据集,旨在帮助研究人员评估模型并促进更先进的监控方法的发展。 该数据集中包含12个特征以及28个交易类型(包括11个正常类型与17个可疑类型)。这些特征及分类依据现有数据集、学术文献及反洗钱专家的访谈选定。整个数据集合共收录了9,504,852笔交易,其中0.1039%被标记为可疑交易。此外,它还包含15种图形网络结构以展示各类别间的事务流动情况。 这些图结构虽然在某些类型间共享但参数差异显著,旨在增加复杂性并提升检测难度。有关具体类型的详细信息,请参阅相关论文。SAML-D数据集是上述研究的更新版本。 SAML-D数据集的特点包括: - 时间和日期:对于追踪交易的时间序列至关重要。 - 汇款人与收款人的账户详情:有助于识别行为模式及复杂的银行关联网络。 - 金额:表明了每笔交易的价值,从而帮助发现可疑活动。 - 支付方式:涵盖了信用卡、借记卡等多种支付形式。
  • D-PPIN:态的蛋白质互网络
    优质
    D-PPIN是涵盖多种生物条件下动态变化的蛋白质相互作用数据库,为研究蛋白质在不同生理状态下的功能提供了重要资源。 密码D-PPIN是一个动态网络数据集,包含12个不同的酵母细胞动态蛋白质-蛋白质相互作用网络。在每个动态网络(例如Krogan_LCMS)中,节点代表编码蛋白质的基因,边则表示特定时间点上的蛋白质间相互作用,并且每条边都带有相应的时间戳记(如node_u, node_v, 时间戳记, 权重)。构建D-PPIN的过程需要两个主要组件:首先是静态蛋白质-蛋白质相互作用网络;其次是该静态网络中每个蛋白随时间变化的基因表达值序列。通过分析这些主动和共表达的蛋白质,可以构造出动态网络。 简而言之,论文《Tu BP, Kudlicki A, Rowicka M, McKnight SL. 酵母代谢周期中的逻辑:细胞过程的时间间隔》提供了用于构建D-PPIN所需的静态网络及酵母瞬时基因表达数据。
  • 手写
    优质
    本项目提供了一套完整的手写数字识别解决方案,包括源代码和训练数据集,旨在帮助开发者快速搭建并优化自己的数字识别模型。 手写数字识别源码和手写数字数据集。
  • ORB-SLAM2技术解析(3)——源编译与TUM RGB-D测试
    优质
    本篇文章为ORB-SLAM2系列教程第三部分,主要讲解如何进行ORB-SLAM2的源代码编译及使用TUM RGB-D数据集进行测试。 目录 0. 摘要 1. ORB-SLAM2 简介 2. 安装依赖库 (1)安装Pangolin (2)安装必要的依赖库 (3)安装OpenCV (4)安装Eigen (5)安装BLAS and LAPACK库 (1) BLAS: 基础线性代数程序包 (Basic Linear Algebra Subprograms) (2) LAPACK:线性代数软件包 (Linear Algebra PACKage) 3. 编译OEB_SLAM 4. 运行测试程序 4.1 TUM数据集格式简介:官网有详细介绍RGBO-SDT格式的说明。
  • Python PLSR
    优质
    本资源提供了一套用于执行偏最小二乘回归(PLSR)的Python代码以及相关的示例数据集。适合数据分析和机器学习初学者使用,帮助理解和应用PLSR技术解决多变量预测问题。 1. 详细添加注释。 2. 包含多个评价指标的计算方法。 3. 解决截距不能正确输出的问题。 4. 提供示例数据集。
  • 垃圾
    优质
    垃圾识别代码数据集是一个包含各类生活垃圾图像和分类标签的数据集合,旨在支持机器学习模型训练与测试,以提高垃圾分类的准确性和效率。 垃圾识别代码数据集