ANUBIS

ANUBIS是由澳大利亚国家大学创建的大规模人体骨骼动作识别数据集，包含102种不同的动作，由80名参与者在80个不同的视角下进行录制。该数据集特别之处在于使用了最新的Azure Kinect传感器，引入了新的背部视角，并鼓励参与者表现出高度的热情和表达力，同时包含了COVID-19疫情期间的常见动作。ANUBIS旨在为研究人员提供一个公平且全面的评估平台，以推动骨骼基动作识别技术的发展。

ANUBIS is a large-scale human skeleton-based action recognition dataset developed by The Australian National University. It encompasses 102 distinct action categories, recorded by 80 participants across 80 different viewpoints. The key feature of this dataset is the adoption of the state-of-the-art Azure Kinect sensor, which introduces a novel back-facing perspective. Additionally, it encourages participants to perform actions with high enthusiasm and expressiveness, and includes common actions observed during the COVID-19 pandemic. ANUBIS aims to provide researchers with a fair and comprehensive evaluation platform to advance the development of skeleton-based action recognition technologies.

AI搜集汇总

数据集介绍

构建方式

ANUBIS数据集的构建采用了最新的Microsoft Azure Kinect传感器，以确保高质量的3D人体骨骼数据采集。数据集不仅包含了传统的正面视角，还创新性地引入了背面视角，以增强模型的视角不变性。此外，数据集通过精心设计的激励措施，确保了参与者的高度参与和动作的真实性。最后，ANUBIS数据集还特别收录了COVID-19疫情期间常见的动作，以反映现实世界的变化和需求。

特点

ANUBIS数据集的显著特点包括：使用最新传感器技术，确保数据的高质量和准确性；包含新颖的背面视角，增强模型的视角鲁棒性；通过激励措施确保参与者的高参与度，从而提高数据的真实性和多样性；收录了疫情期间的特定动作，反映现实世界的动态变化。

使用方法

ANUBIS数据集适用于各种基于骨骼的动作识别任务。研究者可以使用该数据集来训练和验证他们的模型，特别是在需要高视角不变性和对现实世界变化敏感的应用中。数据集的多样性和高质量数据可以显著提升模型的泛化能力和实际应用效果。

背景与挑战

背景概述

基于骨架的动作识别作为动作识别的一个子领域，近年来迅速获得了关注和普及。该任务旨在通过人体关节点识别动作。与其它数据模态相比，3D人体骨架表示具有许多独特的优势，包括简洁性、鲁棒性、种族中立性等。ANUBIS数据集由Zhenyue Qin等人创建，旨在为新老研究人员提供基于骨架动作识别领域的路线图。该数据集在多个方面优于先前的数据集，包括使用更新的传感器、包含新颖的后视图、激发参与者的高度热情以及包含COVID疫情时代的动作。ANUBIS数据集的创建和基准测试为当前基于骨架的动作识别方法提供了更公平和全面的评估。

当前挑战

ANUBIS数据集在构建过程中面临多个挑战。首先，使用最新发布的传感器（如Microsoft Azure Kinect）进行数据采集，这些传感器的技术复杂性和高成本增加了数据集构建的难度。其次，包含新颖的后视图要求在数据标注和模型训练中考虑更多的视角变化，增加了识别算法的复杂性。此外，激发参与者的高度热情和表达力需要采用多种策略，如提供免费食物和休息时间，这增加了数据采集的管理难度。最后，包含COVID疫情时代的动作要求数据集设计者对现实世界的动态变化保持敏感，确保数据集的时代相关性和实用性。这些挑战共同构成了ANUBIS数据集在实际应用中的复杂性和多样性。

常用场景

经典使用场景

ANUBIS数据集在基于骨架的动作识别领域中被广泛应用于评估和比较不同方法的性能。其经典使用场景包括但不限于：通过提供大规模、多视角和高质量的骨架数据，支持研究人员开发和验证新的动作识别算法。例如，ANUBIS数据集常用于训练和测试基于图卷积网络（GCN）和长短期记忆网络（LSTM）的模型，以捕捉复杂的空间和时间特征，从而提高动作识别的准确性。

解决学术问题

ANUBIS数据集解决了基于骨架的动作识别领域中的多个学术研究问题。首先，它通过提供多视角和高质量的骨架数据，解决了现有数据集在视角单一和数据质量不高的问题，从而提高了模型的泛化能力和识别精度。其次，ANUBIS数据集包含了COVID-19疫情期间的常见动作，这为研究特定环境下的动作识别提供了新的数据支持。此外，该数据集的高参与度保证了数据的多样性和真实性，有助于解决动作识别中的过拟合问题。

衍生相关工作

ANUBIS数据集的发布催生了一系列相关的经典工作。例如，基于该数据集的研究人员提出了多种改进的图卷积网络（GCN）和长短期记忆网络（LSTM）模型，以提高动作识别的准确性。此外，ANUBIS数据集还促进了多视角和多层次特征提取方法的发展，如多视角交互图网络（MV-IGNet）和通道拓扑优化图卷积网络（CTR-GCN）。这些工作不仅提升了动作识别的性能，还为其他基于骨架的计算机视觉任务提供了新的思路和方法。