基于层次化超类学习的多专家人体动作识别
计算机视觉与模式识别
2021-12-15 v1 人机交互
摘要
在静态图像人体动作识别中，现有研究主要利用额外的边界框信息与类标签来缓解静态图像中时间信息的缺失；然而，准备带人工标注的额外数据耗时且易出错。此外，现有研究尚未解决长尾分布下的动作识别问题。本文中，我们提出了一种两阶段多专家分类方法，通过超类学习应对长尾分布，且无需任何额外信息。为为每个超类选择最佳配置并刻画不同动作类间的类间依赖，我们提出了一种新颖的基于图的类选择（GCS）算法。在所提方法中，粗粒度阶段选择最相关的细粒度专家；随后，细粒度专家编码各超类内的精细细节，从而增大类间差异。我们在多个公开人体动作识别数据集（包括 Stanford40、Pascal VOC 2012 Action、BU101+ 与 IHAR 数据集）上进行了充分的实验评估。实验结果表明所提方法取得了有前景的提升。具体而言，在 IHAR、Stanford40、Pascal VOC 2012 Action 与 BU101+ 基准上，所提方法分别以低得多的计算成本且无需任何辅助标注信息，超越了最先进水平研究 8.92%、0.41%、0.66% 与 2.11%。此外，证明在解决长尾分布动作识别时，所提方法以显著优势超越同类方法。
引用
@article{arxiv.2112.07015,
title = {Multi-Expert Human Action Recognition with Hierarchical Super-Class Learning},
author = {Hojat Asgarian Dehkordi and Ali Soltani Nezhad and Hossein Kashiani and Shahriar Baradaran Shokouhi and Ahmad Ayatollahi},
journal= {arXiv preprint arXiv:2112.07015},
year = {2021}
}
备注
47 pages