使用鲁棒自适应特权概率学习的人类活动识别
计算机视觉与模式识别
2017-09-20 v1
摘要
在本工作中，我们提出了一种基于特权信息学习（LUPI）范式的新方法，用于识别复杂的人类活动，该方法能够处理测试期间的信息缺失。我们提出了一种监督概率方法，将 LUPI 集成到隐条件随机场（HCRF）模型中。所提出的模型称为 HCRF+，可以使用最大似然和最大间隔两种方法进行训练。它采用自训练技术来自动估计目标函数的正则化参数。此外，该方法通过使用 Student's \textit{t} 密度函数对特权信息的条件分布进行建模，自然地将其集成到 HCRF+ 框架中，从而对异常值（如噪声或缺失数据）具有鲁棒性。我们研究了不同形式的特权信息。所提出的方法使用四个公开的挑战性数据集进行了评估，实验结果证明了在使用手工特征和从卷积神经网络提取的特征时，该方法相对于 LUPI 框架内现有技术的有效性。
引用
@article{arxiv.1709.06447,
title = {Human Activity Recognition Using Robust Adaptive Privileged Probabilistic Learning},
author = {Michalis Vrigkas and Evangelos Kazakos and Christophoros Nikou and Ioannis A. Kakadiaris},
journal= {arXiv preprint arXiv:1709.06447},
year = {2017}
}