从动作到事件：一种使用改进深度信念网络的迁移学习方法
计算机视觉与模式识别
2022-12-01 v1 人工智能
摘要
在过去十年中，数据的指数级增长供给了基于机器学习的算法的能力，并使其得以用于日常活动。此外，这种提升部分归因于深度学习技术的出现，即堆叠简单架构最终形成更复杂模型。尽管两个因素都产生了出色的结果，它们也带来了关于学习过程的缺陷，因为在大型数据集上训练复杂模型昂贵且耗时。当处理视频分析时，该问题甚至更为明显。一些工作已考虑迁移学习或域适应，即把知识从一个域映射到另一个域以缓解训练负担的方法，但其中大多数在单个或小块帧上操作。本文提出一种使用基于能量的模型（称为谱深度信念网络）将动作识别的知识映射到事件识别的新方法。该模型可同时处理所有帧，在学习过程中携带空间与时间信息。在两个公开视频数据集 HMDB-51 与 UCF-101 上进行的实验结果描绘了所提模型的有效性，以及相较于传统基于能量的模型（如受限玻尔兹曼机与深度信念网络）其降低的计算负担。
引用
@article{arxiv.2211.17045,
title = {From Actions to Events: A Transfer Learning Approach Using Improved Deep Belief Networks},
author = {Mateus Roder and Jurandy Almeida and Gustavo H. de Rosa and Leandro A. Passos and André L. D. Rossi and João P. Papa},
journal= {arXiv preprint arXiv:2211.17045},
year = {2022}
}