摘要

现有的视频识别标准方法通常采用大型卷积神经网络（CNN），旨在捕捉时空特征。然而，训练这些模型需要大量标注数据，涵盖丰富多样的动作、场景、环境设置以及摄像机视角。本文表明，当前的卷积神经网络模型难以识别其训练数据中未出现过的摄像机视角下的动作（即“未见视角动作识别”）。为解决这一问题，我们提出基于三维表示的新方法，并引入一种新型几何卷积层，能够学习视角不变的特征表示。此外，我们构建了一个新的、具有挑战性的未见视角识别数据集，并验证了所提方法在学习视角不变表示方面的有效性。