利用低秩表示从视频数据中学习人体动作属性
机器学习
2020-07-14 v2 机器学习
摘要
将人体动作表示为一系列人体运动或动作属性，使得人体活动识别与摘要模型的开发成为可能。我们提出了一种低秩表示（LRR）模型的扩展，称为聚类感知结构约束低秩表示（CS-LRR）模型，用于从视频数据中无监督地学习人体动作属性。我们的模型基于子空间并集框架，并将谱聚类集成到 LRR 优化问题中以获得更好的子空间聚类结果。我们设计了一种高效的线性交替方向法来求解 CS-LRR 优化问题。我们还引入了一种层次化子空间聚类方法，称为层次化 CS-LRR，无需预先指定属性的数量即可学习这些属性。通过对这些动作属性进行可视化和标记，该层次化模型可用于以多种分辨率对长人体动作视频序列进行语义摘要。人体动作或活动也可以唯一地表示为从一个动作属性到另一个动作属性的转换序列，进而可用于人体动作识别。我们通过在五个真实世界人体动作数据集上的综合实验，证明了所提出模型在语义摘要和动作识别方面的有效性。
引用
@article{arxiv.1612.07857,
title = {Human Action Attribute Learning From Video Data Using Low-Rank Representations},
author = {Tong Wu and Prudhvi Gurram and Raghuveer M. Rao and Waheed U. Bajwa},
journal= {arXiv preprint arXiv:1612.07857},
year = {2020}
}
备注
26 pages; 8 figures; 2 tables; Rutgers University Technical Report #2020-07-001