利用鲁棒特权概率学习推断人类活动
计算机视觉与模式识别
2017-09-01 v1
摘要
分类模型常因数据采集过程不足而遭遇训练与测试数据间的“结构不平衡”。这种不平衡可通过特权信息学习（LUPI）范式来表征。本文提出一种有监督概率分类方法，将LUPI集成到隐条件随机场（HCRF）模型中。所提模型称为LUPI-HCRF，能够处理仅在训练阶段可用的额外信息。此外，该方法采用学生t分布对特权信息的条件分布建模，以提供对离群值的鲁棒性。在三个公开数据集上的实验结果证明了所提方法的有效性，并在识别人类活动的LUPI框架下提升了当前最优水平。
引用
@article{arxiv.1708.09825,
title = {Inferring Human Activities Using Robust Privileged Probabilistic Learning},
author = {Michalis Vrigkas and Evangelos Kazakos and Christophoros Nikou and Ioannis A. Kakadiaris},
journal= {arXiv preprint arXiv:1708.09825},
year = {2017}
}
备注
To appear in ICCV Workshops 2017 (TASK-CV)