用于基于深度动作识别的运动学-布局感知随机森林
计算机视觉与模式识别
2016-12-12 v3
摘要
在本文中，我们解决了病房中患者动作的24小时监测问题，例如“将手臂伸出床外”、“从床上跌落”，其时间运动细微或显著。在所关注的场景中，场景布局与身体运动学（骨架）之间的关系成为识别动作的重要线索；然而在测试阶段很难获取它们。为解决此问题，我们提出了一种运动学-布局感知随机森林，其考虑运动学-布局（即布局和骨架），以最大化深度图像外观的判别力。我们将运动学-布局整合到随机森林的分裂准则中，通过以下方式引导学习过程：1) 确定切换到深度外观或运动学-布局信息，以及 2) 当运动学-布局显得有用时，隐式缩小由运动学-布局和外观获得的两种分布之间的差距。运动学-布局信息对于测试数据不是必需的，因此称为“先验特权信息（privileged information prior）”。所提方法还在跨视角设置中通过利用视角不变特征并强化合成视角数据间的一致性得到了验证。在我们新数据集 PATIENT、CAD-60 和 UWA3D（多视角）上的实验评估表明，我们的方法优于各种最先进的方法。
引用
@article{arxiv.1607.06972,
title = {Kinematic-Layout-aware Random Forests for Depth-based Action Recognition},
author = {Seungryul Baek and Zhiyuan Shi and Masato Kawade and Tae-Kyun Kim},
journal= {arXiv preprint arXiv:1607.06972},
year = {2016}
}