EXMOVES：基于分类器的可扩展动作识别特征
计算机视觉与模式识别
2014-03-31 v3
摘要
本文介绍了 EXMOVES，这是一种基于学习范例的特征，用于高效识别视频中的动作。我们描述符中的条目是通过在输入序列的时空体积上评估一组运动分类器生成的。每个运动分类器都是一个简单的范例 SVM，基于低级特征训练而成，即使用单个标注的正样本时空体积和大量未标注视频学习的 SVM。我们的表示法提供了两个主要优势。首先，由于我们的中级特征是从单个视频范例中学习得到的，它们所需的监督量极少。其次，我们表明，在我们的全局视频描述符上训练的简单线性分类模型所产生的动作识别准确率接近最先进水平，但成本低了几个数量级，因为在测试时不需要滑动窗口，且线性模型的训练和测试效率很高。这使得可扩展的动作识别成为可能，即即使在大型视频数据库中也能高效分类大量不同的动作。我们通过从两种不同的低级特征表示构建中级描述符来展示我们方法的通用性。该方法的准确性和效率在几个大规模动作识别基准上得到了验证。
引用
@article{arxiv.1312.5785,
title = {EXMOVES: Classifier-based Features for Scalable Action Recognition},
author = {Du Tran and Lorenzo Torresani},
journal= {arXiv preprint arXiv:1312.5785},
year = {2014}
}
备注
In Proceedings of the 2nd International Conference on Learning Representations, Banff, Canada, 2014