非代表性视频数据：综述与评估
机器学习
2019-01-08 v2 人工智能
计算机视觉与模式识别
摘要
众所周知，训练数据的质量与数量是影响机器智能算法发展与性能的重要因素。若无代表性数据，科学家与算法均无法准确捕捉物体、动作或场景的视觉细节。目前尚不存在筛选数据质量的评估方法学，且数据的验证仅依赖人为因素。本研究综述若干公开数据集并讨论其在训练数据的质量、可行性、适应性与可用性方面的局限与问题。提出一种利用 YouTube 平台记录的真实事件自动“清洗”样本以评估训练数据的简易方法。本研究聚焦于动作识别数据，尤其是人体跌倒检测数据集。然而，本文所描述的局限几乎适用于所有数据集。
引用
@article{arxiv.1811.11815,
title = {Unrepresentative video data: A review and evaluation},
author = {Georgios Mastorakis},
journal= {arXiv preprint arXiv:1811.11815},
year = {2019}
}
备注
35 pages, 14 figures. Submitted to Computer Vision and Image Understanding