基于条件随机场模型与判别稀疏编码的端到端细粒度动作分割与识别
计算机视觉与模式识别
2018-01-30 v1
摘要
细粒度动作分割与识别是一项重要却具挑战性的任务。给定一个长的、未裁剪的运动学数据序列，该任务是对每一时间帧的动作进行分类，并将该时间序列分割为正确的动作序列。本文中，我们提出了一种新颖的框架，将时间条件随机场（CRF）模型与基于判别稀疏编码的强大帧级表示相结合。我们引入了一种端到端算法，用于联合学习CRF模型的权重（包括动作分类与动作转移代价）以及一个过完备的中层动作基元字典。这产生了一个由使用判别字典获得的稀疏编码特征所驱动的CRF模型，该字典在不同动作间共享并适配于结构化输出学习的任务。我们在来自JIGSAWS数据集的三个手术任务上使用运动学数据，以及在来自50 Salads数据集的加速度计数据上使用食物准备任务评估了我们的方法。我们的结果表明，所提方法的性能与最先进（state-of-the-art）方法相当或更优。
引用
@article{arxiv.1801.09571,
title = {End-to-End Fine-Grained Action Segmentation and Recognition Using Conditional Random Field Models and Discriminative Sparse Coding},
author = {Effrosyni Mavroudi and Divya Bhaskara and Shahin Sefati and Haider Ali and René Vidal},
journal= {arXiv preprint arXiv:1801.09571},
year = {2018}
}
备注
Camera ready version accepted at WACV 2018