Benchmarking Micro-action Recognition: Dataset, Methods, and Applications

本研究提出了一种新的微动作数据集，名为Micro-action-52（MA-52），并针对微动作识别（MAR）任务提出了一个基准模型——微动作网络（MANet）。该数据集包括52个微动作类别、七个身体部位标签，涵盖了全身姿态、上下肢运动等微小动作，共计205名参与者和22,422个视频实例。研究者将MANet与其他九种常见的动作识别方法进行了比较，结果表明MANet能够更好地识别微小动作。此外，研究者还将该数据集和方法应用于情感识别，证明了其在人类行为、情感和心理评估方面的重要价值。未来，研究者将深入探索人类行为、情感和心理评估等领域。该数据集和源代码已经在https://github.com/VUT-HFUT/Micro-Action 上开源。

本论文旨在解决微动作识别这一人类行为识别领域的挑战，提出了一个新的数据集MA-52和一个基于MANet的微动作识别模型，同时探索了该方法在情感识别方面的应用。

论文中提出的解决方案是使用ResNet结构，加入squeeze-and-excitation和temporal shift module来建模微动作的时空特征，并使用联合嵌入损失来区分视觉上相似但语义上不同的微动作类别。

本论文提出了一个新的数据集MA-52，包含52个微动作类别和7个身体部位标签，涵盖了全面的微动作线索，同时提出了一个新的微动作识别模型MANet。实验结果表明，MANet在MA-52数据集上表现出色，并且在情感识别方面也有很好的应用价值。数据集和源代码已经公开。

在人类行为识别领域，还有许多相关研究，例如：'Real-time action recognition based on spatio-temporal features and multi-class SVM'、'Human activity recognition using wearable sensors by deep convolutional neural networks'、'A survey on human motion analysis from depth data'等。