用于3D人体活动识别的带半径-间隔界的深度结构化模型
计算机视觉与模式识别
2017-08-01 v1
摘要
理解人体活动即使借助近年发展的3D/深度传感器也非常具有挑战性。为解决此问题，本文研究了一种新颖的深度结构化模型，该模型利用卷积神经网络(CNNs)将活动实例自适应地分解为时间片段。我们的模型在两个方面推进了传统的深度学习方法。首先，我们将潜在时间结构引入深度模型，以解释多样化人体活动的巨大时间变化。具体而言，我们利用潜在变量将输入活动分解为若干时间分割的子活动，并相应地将它们输入深度架构的各部分（即子网络）。其次，我们将半径-间隔界作为正则化项引入深度模型，有效提升了分类的泛化性能。对于模型训练，我们提出了一种原则性学习算法，迭代地(i)为所有训练实例发现最优潜在变量（即活动分解方式），(ii)基于生成的特征更新分类器，以及(iii)更新多层神经网络的参数。在实验中，我们的方法在若干复杂场景下用于人体活动识别得到了验证，并展现出优于其他最先进方法的性能。
引用
@article{arxiv.1512.01642,
title = {A Deep Structured Model with Radius-Margin Bound for 3D Human Activity Recognition},
author = {Liang Lin and Keze Wang and Wangmeng Zuo and Meng Wang and Jiebo Luo and Lei Zhang},
journal= {arXiv preprint arXiv:1512.01642},
year = {2017}
}
备注
16 pages, 9 figures, to appear in International Journal of Computer Vision 2015