Online Goal Recognition using Path Signature and Dynamic Time Warping
Pontifícia Universidade Católica do Rio Grande do Sul（圣保罗天主教大学里约格兰德杜斯乌尔古斯分校）；King’s College London（伦敦国王学院）；University of Aberdeen（阿伯丁大学）
本文提出一种基于路径签名和动态时间规整的在线目标识别方法，通过高效编码轨迹和有效比较轨迹，提升预测准确性和在线规划效率。
2026-08-06 cs.AI
Incremental Learning Techniques for Online Human Activity Recognition
University of Science and Culture（科学与文化大学）；Khorasan Institute of Higher Education（呼罗珊高等教育学院）
使用智能手机惯性传感器对人类活动进行非侵入性和智能识别是人工智能领域中的一个有趣话题，尤其是近年来在研究人员中获得了极大的普及。需要更多关注的一个相当大的挑战是身体活动的实时检测，因为对于许多现实世界的应用，如健康监测和老年人护理，需要立即识别用户的活动，以防止对个人健康的严重损害。在本文中，我们提出了一种人体活动识别（HAR）的方法，在线预测的身体运动，受益于增量学习算法的能力。我们开发了一个HAR系统，其中包含监控软件和移动应用程序，该应用程序收集加速度计和陀螺仪数据，并通过互联网将其发送到远程服务器进行分类和识别操作。本文采用了六种增量式学习算法，并与几种常用的批量学习算法进行了比较。最终的结果表明，考虑到所有的性能评估指标，增量K-最近邻和增量朴素贝叶斯优于其他算法，超过95%的实时识别准确率。
2021-09-20 cs.AI cs.LG eess.SP
Leveraging Planning Landmarks for Hybrid Online Goal Recognition
Institute for Enterprise Systems, University of Mannheim（曼海姆大学企业系统研究所）；Data and Web Science Group, University of Mannheim（曼海姆大学数据与网络科学研究组）
目标识别在许多应用领域（例如，普适计算、入侵检测、计算机游戏等）。在许多应用场景中，重要的是目标识别算法可以尽可能快地识别被观察的Agent的目标，并且具有最少的领域知识。因此，在本文中，我们提出了一种混合的方法，结合了一个象征性的规划地标为基础的方法和数据驱动的目标识别方法，在线目标识别，并评估它在现实世界中的烹饪场景。实验结果表明，该方法不仅在计算时间方面比现有技术更有效，而且还提高了目标识别性能。此外，我们表明，利用规划地标为基础的方法，这是迄今为止只评估人工基准域，也实现了良好的识别性能时，应用到现实世界的烹饪场景。
2023-01-25 cs.AI
ODGR: Online Dynamic Goal Recognition
Bar-Ilan University（巴伊兰大学）；University of Alberta（阿尔伯塔大学）；Alberta Machine Intelligence Institute (Amii)（阿尔伯塔机器智能研究所）
本文提出“在线动态目标识别”（ODGR）问题，将动态目标引入标准GR定义，并通过迁移学习在导航领域验证其可行性，为实时环境下的GR方法扩展奠定基础。
2024-07-23 cs.AI cs.LG
Accurate online action and gesture recognition system using detectors and Deep SPD Siamese Networks
本文提出一种基于SPD矩阵表示和孪生网络的骨架序列流在线识别系统，通过检测器预测运动区间并由分类器识别动作，在多个基准上取得领先性能。
2025-11-07 cs.AI cs.CV cs.HC
Bridging the gap between Human Action Recognition and Online Action Detection
École de Technologie Supérieure（高等工程学院）
动作识别、早期预测和在线动作检测是经常独立研究的互补学科。大多数在线动作检测网络使用预先训练的特征提取器，这可能不是新任务的最佳选择。我们解决了特定任务的特征提取与上述学科之间的师生框架，和一个新的训练策略。我们的网络，在线知识蒸馏行动检测网络（OKDAD），嵌入在线早期预测和在线时间段建议子网络并行。在教师培训期间，鼓励低班级间和高班级内的相似性。OKDAD网络的知识蒸馏是通过层重用和教师-学生特征向量之间的余弦相似性来保证的。层重用和相似性学习显着提高我们的基线，使用通用的特征提取器。我们评估了来自两个流行数据集的红外视频框架，即NTU RGB+D（动作识别、早期预测）和PKU MMD（动作检测）。与以前在这些数据集上的尝试不同，我们的学生网络在没有任何未来知识的情况下运行。即使增加了这一难度，我们也在两个数据集上获得了最先进的结果。此外，我们的网络使用来自RGB-D摄像头的红外线，据我们所知，我们是第一个将其用于在线动作检测的网络。
2021-01-21 cs.AI cs.CV
Representing Online Handwriting for Recognition in Large Vision-Language Models
Google Research（谷歌研究院）
本文提出一种同时包含时序笔画文本和图像的数字墨水标记化表示，使现成视觉-语言模型无需改架构即可在在线手写识别上达到或超越最先进水平。
2024-02-23 cs.AI cs.CV cs.LG
Online Event Recognition from Moving Vehicles: Application Paper
University of Piraeus（比雷埃夫斯大学）
我们提出了一个系统的在线复合事件识别商用车辆的流位置。我们的系统采用了一个数据丰富模块，用外部信息（如天气数据和兴趣点的邻近度）来增强移动数据。此外，复合事件识别模块基于事件演算的高度优化的逻辑编程实现，使用丰富的数据并识别对车队管理应用有益的活动。我们评估我们的系统的大型，真实世界的数据，从商用车，并说明其效率。正在考虑接受TPLP。
2019-07-25 cs.AI cs.LO
Online Event Recognition from Moving Vessel Trajectories
National Technical University of Athens（雅典国立技术大学）；NCSR Demokritos（希腊国家科学研究中心德谟克利特）；University of Piraeus（比雷埃夫斯大学）
我们提出了一个系统，用于在线监测海上活动从海上航行的众多船只的流位置。它采用在线跟踪模块，用于检测每艘船舶随时间推移的演变轨迹的重要变化，从而可以逐步保留其最近运动的简洁而可靠的摘要。此外，由于其复杂的事件识别模块，该系统还可以向海事当局提供有关紧急情况的即时通知，例如碰撞风险，保护区内的可疑移动或公海上的包裹拾取。我们的广泛测试不仅验证了该系统针对可扩展的真实世界和综合放大数据集的性能，效率和鲁棒性，而且其针对船舶在线馈送的部署也证实了其有效，实时海上监视的能力。
2016-01-22 cs.AI cs.CV
Online Action Recognition
Universitat Pompeu Fabra（庞培法布拉大学）
规划中的识别试图在给定一组观察和知识库（例如目标状态，计划或域理论）的情况下找到代理意图，目标或活动。在这项工作中，我们介绍了在线动作识别的问题。它包括在承认，在一个开放的世界中，规划行动，最好地解释了部分可观察的状态从一阶ARIPS行动，这是最初的空知识库的过渡。我们将其视为一个优化问题，并提出了两种算法来解决它：动作统一（AU）和在线动作识别通过统一（OARU）。前者建立在逻辑统一的基础上，并使用加权部分MaxSAT将两个输入动作推广。后者在库中寻找解释观察到的转换的动作。如果有这样的动作，它会利用AU来推广它，以这种方式构建AU层次结构。否则，OARU会在库中插入一个简单的接地动作（TGA）来解释这个转换。我们报告的结果基准从国际规划竞赛和PDDLGym，OARU承认行动准确地尊重专家知识，并显示实时性能。
2021-08-03 cs.AI
Online recognition of unsegmented actions with hierarchical SOM architecture
University of Lund（隆德大学）；University of Linköping（林雪平大学）
自动识别在线的一系列未分割的动作需要一种分割方法，该方法确定动作何时开始以及何时结束。本文提出了一种在线测试实验中识别未分割动作的新方法。该方法使用自组织神经网络来构建一个三层认知架构。第一层自组织映射将动作序列的独特特征表示为一系列引发的关键激活。针对训练集中的所有动作序列计算关键激活向量的平均长度，并在学习试验中进行调整，以生成第二层自组织映射的输入模式。在第二层中对模式向量进行聚类，然后在第三层神经网络中用动作标识对聚类进行标记。实验结果表明，虽然性能略有下降，在在线实验相比，离线测试，所提出的架构，以处理未分割的动作序列以及在线性能的能力，使系统更合理和实用的真实情况下的场景。
2021-04-23 cs.AI cs.CV cs.HC
Towards Intention Recognition for Robotic Assistants Through Online POMDP Planning
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）；Institute of Computer Science, University of Osnabrück（奥斯纳布吕克大学计算机科学学院）
针对工业场景中机器人助手需应对干扰、噪声观测等挑战，本文提出基于在线POMDP规划的部分可观测模型实现意图识别，通过交织信息收集与主动任务达成主动目标识别，展示初步实验结果并讨论相关挑战。
2024-11-26 cs.AI cs.RO
Online hand gesture recognition using Continual Graph Transformers
CESI LINEACT；LICIT-ECO7, ENTPE, Université Gustave Eiffel（古斯塔夫·埃菲尔大学）；IMT Nord Europe（北加来海峡高等电信学院）；University of Lille（里尔大学）
针对现有基于骨架的动作识别方法多为片段式、不适配实时连续场景的问题，提出融合S-GCN、TGE与持续学习机制的在线识别系统，在SHREC'21上达SOTA准确率且降低假阳性率，适用于多实时交互场景。
2025-02-20 cs.AI cs.CV
Online Knowledge Distillation via Mutual Contrastive Learning for Visual Recognition
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Institute of Artificial Intelligence, Beihang University（北京航空航天大学人工智能研究院）；Zhongguancun Laboratory（中关村实验室）；Horizon Robotics（地平线机器人）
无教师的在线知识蒸馏（KD）旨在训练多个学生模型的集合，并从彼此中提取知识。虽然现有的在线KD方法取得了令人满意的性能，他们往往侧重于类概率作为核心知识类型，忽略了有价值的特征表示信息。我们提出了一个相互对比学习（MCL）的框架在线KD。MCL的核心思想是以在线方式在一组网络之间进行对比分布的相互交互和传递。我们的MCL可以聚合跨网络嵌入信息，并最大化两个网络之间的互信息的下界。这使得每个网络能够从其他网络学习额外的对比知识，从而获得更好的特征表示，从而提高视觉识别任务的性能。在最后一层之外，我们将MCL扩展到中间层，并执行通过元优化训练的自适应层匹配机制。图像分类和迁移学习的视觉识别任务的实验表明，逐层MCL可以导致一致的性能增益对国家的最先进的在线KD方法。这种优越性表明，分层MCL可以引导网络生成更好的特征表示。我们的代码可在https://github.com/winycg/L-MCL上公开获取。
2023-03-27 cs.AI cs.CV
From Movement Kinematics to Object Properties: Online Recognition of Human Carefulness
Italian Institute of Technology（意大利技术研究院）；University of Genoa（热那亚大学）
在操纵物体时，人类会根据所处理物体的特性来调整自己的动作。因此，一个细心的观察者可以预见被操纵物体的隐藏属性，如它的重量，温度，甚至它是否需要特别小心的操作。这项研究是朝着赋予人形机器人这最后一种能力迈出的一步。具体来说，我们研究了机器人如何仅从视觉在线推断人类伙伴在移动物体时是否小心。我们证明了一个人形机器人可以执行这种推理，即使在低分辨率的相机具有高精度（高达81.3%）。只有在没有障碍物的短距离移动中，谨慎识别是不够的。通过观察伙伴的动作来迅速识别运动的谨慎性，将允许机器人调整其对物体的动作，以显示与人类伙伴相同的照顾程度。
2021-09-01 cs.AI cs.RO
Power Quality Event Recognition and Classification Using an Online Sequential Extreme Learning Machine Network based on Wavelets
降低系统可靠性和提高维护成本可能是电力质量差的后果，这可能会干扰设备的正常性能，加速老化，甚至导致彻底的故障。本研究实作并测试一个以小波为基础的线上序列极端学习机（OS-ELM）分类器原型，以侦测暂态条件下的电能质量问题。为了建立分类器，OSELM网络模型和离散小波变换（DWT）方法相结合。首先，利用离散小波变换（DWT）的多分辨率分析（MRA）提取失真信号在不同分辨率下的特征。OSELM然后通过瞬态持续时间和能量特征对检索到的数据进行分类，以确定干扰的类型。该方法可以在不改变信号原始质量的前提下，最大限度地减少大量失真信号的特征量，从而节省了存储空间和处理时间。使用几种类型的瞬态事件来证明分类器检测和分类各种类型的功率扰动的能力，包括暂降、暂升、瞬时中断、振荡瞬态、谐波、缺口、尖峰、闪烁、暂降暂升、暂降损害、暂升转换、暂降尖峰和暂升尖峰。
2022-12-27 cs.AI cs.LG eess.SP
AI Online Filters to Real World Image Recognition
Stanford University（斯坦福大学）；Sunnyvale, USA（美国桑尼维尔（Sunnyvale, USA））
用标记数据集训练的深度人工神经网络广泛用于当今的许多视觉和机器人应用中。在人工智能方面，这些被称为反射模型，指的是它们不会自我进化或主动适应环境变化的事实。随着对智能机器人控制的需求扩展到许多高级任务，强化学习和基于状态的模型发挥着越来越重要的作用。在此，在计算机视觉和机器人领域，我们研究了一种新的方法来增加强化控制到图像识别反射模型，以获得更好的整体性能，特别是更广泛的环境范围超出了预期的任务反射模型。遵循一个共同的基础设施与环境传感和基于AI的建模自适应代理，我们实现了多种类型的AI控制代理。最后，我们提供了这些代理与基线的比较结果，并深入分析了它们的好处，以提高在现实世界中的整体图像识别性能。
2020-02-11 cs.AI cs.CV
Distributed Online Learning of Event Definitions
National Center for Scientific Research “Demokritos”（“德谟克利特”国家科学研究中心）；University of Piraeus（比雷埃夫斯大学）
基于逻辑的事件识别系统使用一阶规则形式的一组事件定义来及时推断事件的发生。事件演算是一种时态逻辑，已被用作事件识别应用程序的基础，通过归纳逻辑程序设计（ILP）提供与机器学习的直接连接。OLED是最近提出的ILP系统，它以事件演算理论的形式学习事件定义，在数据流上进行单次传递。在这项工作中，我们提出了一个版本的OLED，允许分布式，在线学习。我们在基准活动识别数据集上评估了我们的方法，并表明我们可以显着减少训练时间，在处理节点之间交换最少的信息。
2017-05-05 cs.AI
Online Hand Gesture Recognition Using 3D Convolutional Neural Networks
School of Electronic Engineering and Computer Science（电子工程与计算机科学学院）；Queen Mary, University of London（伦敦大学Queen Mary）
提出一种基于3D卷积神经网络的在线手势识别系统，通过滑动窗口优化实时视频流中的手势定位与分类，在Jester数据集上检测器准确率超98%，分类器超90%。
2026-05-22 cs.AI cs.CV
Opinion Spam Recognition Method for Online Reviews using Ontological Features
现在，有很多人使用社交媒体的意见，使他们购买产品或服务的决定。垃圾意见检测是一个很难的问题，因为组织和个人可以出于不同的目的进行虚假评论。他们撰写虚假评论，通过推广或降级目标产品来误导读者或自动检测系统，以促进他们或损害他们的声誉。在本文中，我们提出了一种新的方法，使用基于知识的本体检测意见垃圾邮件的准确率高（高于75%）。关键词：垃圾意见，虚假评论，电子商务，本体论。
2018-07-29 cs.AI cs.CL cs.IR
Causal Inference-Based Root Cause Analysis for Online Service Systems with Intervention Recognition
Tsinghua University（清华大学）；BizSeer（必示科技）
故障诊断在许多领域中是至关重要的，因为故障可能导致安全威胁或经济损失。在在线服务系统领域，运营商依靠大量的监控数据来检测和减轻故障。快速识别潜在故障的一小组根本原因指示符可以节省大量时间来缓解故障。在本文中，我们制定的根本原因分析问题作为一个新的因果推理任务命名为干预识别。提出了一种基于因果推理的无监督根本原因分析方法CIRCA。核心思想是一个监控变量成为根本原因指标的充分条件，即，在因果贝叶斯网络（CBN）中，以父节点为条件的概率分布的变化。针对在线服务系统中的应用，CIRCA基于系统结构知识和一组因果假设，构建了一个监控指标图。仿真研究表明了CIRCA的理论可靠性。在真实世界数据集上的性能进一步表明，CIRCA可以将前1推荐的召回率提高25%，超过最佳基线方法。
2022-06-13 cs.AI cs.SE
Twin Regularization for online speech recognition
Montreal Institute for Learning Algorithms (MILA)（蒙特利尔学习算法研究所（MILA））
在线语音识别是开发自然人机界面的关键。然而，这种模式比离线ASR更具挑战性，因为实时/低延迟约束不可避免地阻碍了对未来信息的使用，而这些信息对于执行鲁棒预测非常有帮助。缓解这个问题的一个流行的解决方案包括为神经声学模型提供收集一些未来帧的上下文窗口。这引入了取决于所采用的前瞻特征的数量的延迟。本文探索了一种不同的方法，基于估计未来而不是等待它。我们的技术鼓励单向递归网络的隐藏表示嵌入一些关于未来的有用信息。受最近提出的一种名为Twin Networks的技术的启发，我们添加了一个正则化项，迫使前向隐藏状态尽可能接近同时向后状态，由一个在时间上向后运行的“孪生”神经网络计算。在多个数据集、递归结构、输入特征和声学条件上进行的实验表明了该方法的有效性。一个重要的优点是，我们的方法不会引入任何额外的计算在测试时，如果与标准的单向递归网络。
2018-06-12 cs.AI cs.CL cs.LG
Online Multi-level Contrastive Representation Distillation for Cross-Subject fNIRS Emotion Recognition
School of Electronic and Information Engineering, South China University of Technology（华南理工大学电子与信息工程学院）；Pazhou Lab（琶洲实验室）；School of Future Technology, South China University of Technology（华南理工大学未来技术学院）
针对跨被试fNIRS情感识别中模型轻量化与个体差异的挑战，提出在线多级对比表示蒸馏框架（OMCRD），通过多轻量级学生网络相互学习与被试间交互对比表示实现知识转移，在情感感知和意象任务中达到最先进水平。
2024-09-24 cs.AI cs.HC
Uncertainty-aware Evaluation of Time-Series Classification for Online Handwriting Recognition with Domain Shift
Fraunhofer IIS（弗劳恩霍夫集成电路研究所）；LMU Munich（慕尼黑大学）；Technical University of Denmark（丹麦技术大学）；RWTH Aachen（亚琛工业大学）
本研究针对时空数据UQ研究不足的问题，以在线手写识别时间序列分类为对象，基于SWAG和深度集成技术评估两类不确定性，验证了UQ可检测分布外数据与域偏移。
2022-06-17 cs.AI cs.CV
Open Source Dataset and Deep Learning Models for Online Digit Gesture Recognition on Touchscreens
University College Dublin（都柏林大学）
本文提出了一种评估的深度神经网络识别数字输入的用户在智能手机触摸屏上。收集了一个新的大型阿拉伯数字数据集，用于网络的训练和评估。该数据集由260个用户输入的80个数字的空间和时间触摸数据组成。研究了两种神经网络模型。第一个模型是一个2D卷积神经（ConvNet）网络，应用于通过对感应到的屏幕触摸进行插值而创建的glpyhs的位图，其拓扑结构类似于先前发布的用于从扫描图像进行离线手写识别的模型。第二个模型使用1D ConvNet架构，但应用于连接触摸点的极向量序列。研究发现，这些模型的准确度分别为98.50%和95.86%。第二个模型要简单得多，参数从1，663，370减少到287，690。该数据集已作为开源资源提供给社区。
2017-09-20 cs.AI cs.CV
Enhanced Review Detection and Recognition: A Platform-Agnostic Approach with Application to Online Commerce
Institute of Innovation, Science and Sustainability, Federation University（联邦大学创新、科学与可持续发展研究所）；Transitional AI Research Group（过渡人工智能研究集团）
本研究提出一种跨平台的机器学习评论检测提取方法，可泛化到训练集外的网站，并实现了情感不一致分析、多语言支持、虚假评论检测三大应用，助力在线商务的跨来源评论自动评估。
2024-05-09 cs.AI cs.CL
Not End-to-End: Explore Multi-Stage Architecture for Online Surgical Phase Recognition
Peking University（北京大学）
手术阶段识别对于计算机辅助手术系统特别感兴趣，其中目标是预测在手术视频的每个帧处发生什么阶段。具有多级架构的网络已广泛应用于许多具有丰富模式的计算机视觉任务中，其中预测器级首先输出初始预测，并且附加的细化级对初始预测进行操作以执行进一步的细化。现有的工作表明，手术视频内容是有序的，包含丰富的时间模式，使多阶段的架构非常适合手术阶段识别任务。然而，我们观察到，当简单地将多阶段架构应用于手术阶段识别任务时，端到端的训练方式会使细化能力达不到其期望。为了解决这个问题，我们提出了一种新的非端到端的训练策略，并探讨了不同的设计多阶段的架构，手术阶段识别任务。对于非端到端的训练策略，细化阶段分别用提出的两种类型的扰动序列进行训练。同时，我们评估了三种不同的细化模型的选择，以表明我们的分析和解决方案是鲁棒的选择特定的多阶段模型。我们在两个公共基准上进行实验，M2CAI16工作流挑战和Cholec80数据集。结果表明，使用我们的策略训练的多阶段架构大大提高了当前最先进的单阶段模型的性能。代码可在\url{https://github.com/ChinaYi/casual_tcn}上获得。
2021-07-10 cs.AI cs.CV
