重访人体动作识别：个性化与泛化
计算机视觉与模式识别
2016-05-03 v1
摘要
通过深入重访经典的人体动作识别范式，本文旨在为设计有效的动作分类系统提出一种新方法。以公开可用的三维（MoCap）动作/活动数据集为测试平台，我们分析并验证了不同的训练/测试策略。特别地，考虑到数据集中每个人体动作由不同受试者多次执行，我们能够精确量化受试者间与受试者内变异性的影响，从而弄清若干学习方法在分类性能方面的影响。最终结果是，由使用数据典型分割（holdout、k-fold或one-subject-out）交叉验证算法的标准测试策略，总是被“个性化”策略所超越，后者学习某个受试者如何执行动作。换言之，定制（即个性化）方法以学习每个受试者执行的动作，优于试图跨受试者泛化动作执行。因此，我们最终提出一个由两阶段分类方法构成的动作识别框架：给定测试动作，在实际动作识别发生前首先识别受试者。尽管采用了基础的现成描述符和标准分类器，我们注意到相对于标准最先进算法性能有显著提升，从而论证了在设计有效动作识别系统中使用个性化方法的合理性。
引用
@article{arxiv.1605.00392,
title = {Revisiting Human Action Recognition: Personalization vs. Generalization},
author = {Andrea Zunino and Jacopo Cavazza and Vittorio Murino},
journal= {arXiv preprint arXiv:1605.00392},
year = {2016}
}