无监督字典学习与特征编码在动作分类中的研究
计算机视觉与模式识别
2013-09-03 v1
摘要
许多工作致力于开发图像域中传统矢量量化的替代方法，如稀疏编码和软分配。这些方法可分为字典学习阶段和特征编码阶段，两者通常紧密相连。在本文中，我们通过将这两个阶段分离，研究了它们对基于视频的动作分类的影响。我们在 KTH 和 HMDB51 数据集上通过大量实验比较了几种字典学习方法和特征编码方案。实验结果表明，在大型复杂数据集（即 HMDB51）中，稀疏编码的表现始终优于其他编码方法，并且对不同字典具有鲁棒性。然而，对于变化较少的小型简单数据集（即 KTH），所有编码策略的表现都具有竞争力。此外，我们注意到复杂编码方法的优势并非来自其对应的字典，而是来自编码机制，因此对于基于视频的动作分类，我们可以直接使用随机选择的样本作为字典。
引用
@article{arxiv.1309.0309,
title = {A Study on Unsupervised Dictionary Learning and Feature Encoding for Action Classification},
author = {Xiaojiang Peng and Qiang Peng and Yu Qiao and Junzhou Chen and Mehtab Afzal},
journal= {arXiv preprint arXiv:1309.0309},
year = {2013}
}