基于深度网络视频活动识别的静态与运动特征组合
计算机视觉与模式识别
2018-10-17 v1
摘要
在深度学习环境（或其他环境）下的视频活动识别同时使用静态与预计算的运动分量。将两种分量组合、同时减轻深度网络负担的方式仍未被探究。此外，各分量的贡献水平如何、以及如何控制该贡献尚不清楚。本工作中，我们使用由CNN生成的静态特征与以运动管形式呈现的运动特征的组合。我们提出三种组合静态与运动分量的方案：基于方差比、主成分以及Cholesky分解。基于Cholesky分解的方法允许控制贡献。由静态与运动特征的方差分析所得比值，与基于Cholesky分解方法中所用的实验最优比值吻合良好。所得活动识别系统与现有SOTA相当或更佳，当使用三个流行数据集测试时。这些发现也使我们能够依据运动信息的丰富度来刻画数据集。
引用
@article{arxiv.1810.06827,
title = {Combined Static and Motion Features for Deep-Networks Based Activity Recognition in Videos},
author = {Sameera Ramasinghe and Jathushan Rajasegaran and Vinoj Jayasundara and Kanchana Ranasinghe and Ranga Rodrigo and Ajith A. Pasqual},
journal= {arXiv preprint arXiv:1810.06827},
year = {2018}
}