传统的人体动作在线识别多是离线的，即输入是已分割好的动作片段，而在线行为识别的动作开始和结束均是不确定的。本文提出了一种基于记忆组采样机制的在线行为识别方法，同时考虑相邻时刻运动信息，和长时运动信息，并给予不同采样权重。另外，本文提出了融合骨架关节高层几何结构特征和全局运动特征的动作描述方法。通过在公开数据集验证，实现了比算法较优的效果。论文线上预印本：

http://arxiv.org/abs/2011.00553

\\
arXiv:2011.00553
From: Guoliang Liu Prof. Dr. <liuguoliang@sdu.edu.cn>
Date: Sun, 1 Nov 2020 16:43:08 GMT   (487kb,D)
Date (revised v2): Tue, 3 Nov 2020 05:09:10 GMT   (564kb,D)

Title: Memory Group Sampling Based Online Action Recognition Using Kinetic
  Skeleton Features
Authors: Guoliang Liu, Qinghui Zhang, Yichao Cao, Junwei Li, Hao Wu and Guohui
  Tian
Categories: cs.CV cs.HC
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/\\
  Online action recognition is an important task for human centered intelligent
services, which is still difficult to achieve due to the varieties and
uncertainties of spatial and temporal scales of human actions. In this paper,
we propose two core ideas to handle the online action recognition problem.
First, we combine the spatial and temporal skeleton features to depict the
actions, which include not only the geometrical features, but also multi-scale
motion features, such that both the spatial and temporal information of the
action are covered. Second, we propose a memory group sampling method to
combine the previous action frames and current action frames, which is based on
the truth that the neighbouring frames are largely redundant, and the sampling
mechanism ensures that the long-term contextual information is also considered.
Finally, an improved 1D CNN network is employed for training and testing using
the features from sampled frames. The comparison results to the state of the
art methods using the public datasets show that the proposed method is fast and
efficient, and has competitive performance
\\