用于人体运动分割的图约束数据表示学习
计算机视觉与模式识别
2021-08-30 v2
摘要
近来，基于迁移子空间学习的方法已被证明是人体运动分割（HMS）中无监督子空间聚类与时间数据聚类的有效替代方案。这些方法利用源域的先验知识来改善目标域上的聚类性能，目前它们代表了 HMS 中的最先进水平。违背这一趋势，在本文中我们提出了一种新颖的无监督模型，该模型学习数据的表示并从数据本身挖掘聚类信息。我们的模型令人联想到时间子空间聚类，但呈现两个关键差异。首先，我们学习一个可偏离初始数据的辅助数据矩阵，从而赋予编码矩阵更多自由度。其次，我们为该辅助数据矩阵引入一个正则化项，以保留高维空间中存在的局部几何结构。所提模型通过使用一种新颖的乘子交替方向法（ADMM）公式得以高效优化，从而联合学习辅助数据表示、非负字典与编码矩阵。在四个 HMS 基准数据集上的实验结果表明，我们的方法取得了显著优于最先进方法的聚类性能，包括无监督与较新的半监督迁移学习方法。
引用
@article{arxiv.2107.13362,
title = {Graph Constrained Data Representation Learning for Human Motion Segmentation},
author = {Mariella Dimiccoli and Lluís Garrido and Guillem Rodriguez-Corominas and Herwig Wendt},
journal= {arXiv preprint arXiv:2107.13362},
year = {2021}
}
备注
Accepted to ICCV 2021