基于批次的自我中心照片流活动识别

来自长非结构化自我中心照片流的活动识别在辅助技术中有多种应用，如健康监测和虚弱检测等。然而，其主要技术挑战之一是应对可穿戴照相机的低帧率，这导致连续帧之间出现突变的外观变化。结果，无法估计来自运动的重要判别性低层特征，如光流。本文提出了一种基于批次的深度学习架构训练方法，该方法强烈依赖长短期记忆单元来解决这一问题。我们提出了同一方法的两种不同实现，它们使用固定大小的批次处理照片流序列，旨在捕捉高层特征的时间演化。这两种实现的主要区别在于，一种通过重叠批次显式建模连续批次。在三名用户采集的公开数据集上的实验结果证明了所提架构在不依赖事件边界的情况下利用卷积特征随时间演化的有效性。