【总结】Recognizing Human Actions as the Evolution of Pose Estimation Maps

  对整个视频提取特征进行动作识别有两个阻碍：背景杂乱和非动作的运动。因此，可以先对视频进行姿势估计，再根据姿势结果的估计进行动作识别。

  姿势估计得到heatmaps，可以分为probabilistic maps和estimated 2D human poses两部分来用，前者表示了body shape，后者表示了body pose。结合shape和pose来进行动作识别。

  由于heatmap的稀疏性，论文利用spatial rank pooling(c)聚合heatmap，得到body shape evolution image。Body shape不区分身体的部分，因此又设计了body guided sampling(d)聚合body shape evolution image，得到body pose evolution image。Shape和pose互相补充，以提高识别准确率。