活到老学到老：具有增量视角的持续动作聚类
计算机视觉与模式识别
2024-04-12 v1 机器学习
摘要
多视角动作聚类利用来自不同摄像机视角的互补信息来提升聚类性能。尽管现有方法取得了显著进展，但它们假设所有摄像机视角都是预先可用的，这在摄像机视角随时间增加时是不切实际的。此外，学习多个摄像机视角之间的不变信息仍是一个具有挑战性的问题，尤其是在持续学习场景中。针对这些问题，我们提出了一种新颖的持续动作聚类（CAC）方法，能够以持续学习的方式学习动作类别。具体而言，我们首先设计了一个类别记忆库，用于捕获并存储来自历史视角的已学类别。然后，当新的摄像机视角到达时，我们只需维护一个一致性划分矩阵，该矩阵可以通过利用新到来的摄像机视角进行更新，而无需保留所有视角。最后，提出了一种三步交替优化方法，用于优化类别记忆库和一致性划分矩阵。在 6 个真实多视角动作集合上的实验结果表明，与 15 个最先进的基线方法相比，CAC 具有优异的聚类性能和时间/空间效率。
引用
@article{arxiv.2404.07962,
title = {Live and Learn: Continual Action Clustering with Incremental Views},
author = {Xiaoqiang Yan and Yingtao Gan and Yiqiao Mao and Yangdong Ye and Hui Yu},
journal= {arXiv preprint arXiv:2404.07962},
year = {2024}
}