Hierarchically linked infinite hidden Markov model based trajectory analysis and semantic region retrieval in a trajectory dataset

با افزایش تلاش در پیدا کردن معانی پنهان در یک مجموعه داده های ویدئویی، مسیرها به اجزای کلیدی تبدیل شده اند، زیرا آنها به طور ذاتی شامل ویژگی های مختصر حرکات جسم هستند. یک رویکرد برای تجزیه و تحلیل یک مجموعه داده مسیریابی بر بازیابی منطق معنایی متمرکز شده است، که برخی از مناطق که الگوهای خاصی از حرکات جسم دارند، استخراج می کند. بازیابی منطقه معنایی به یک موضوع مهم تبدیل شده است، زیرا مناطق معنایی برای برنامه های کاربردی مختلف مانند تجزیه و تحلیل فعالیت مفید هستند. با این حال، ادبیات پیشین فقط به معنای نقاط معنا شناختی نسبت به مناطق واقعی اشاره کرده اند و در مورد وابستگی زمانی مشاهدات در یک مسیر کمتر توجه دارند. در این مقاله، ما یک مدل جدید برای تجزیه و تحلیل مسیریابی و بازیابی منطق معنایی پیشنهاد می کنیم. ابتدا معنای مناطق معنایی را که می توانند مناطق واقعی را پوشش دهند، گسترش دهیم. ما یک مدل برای مناطق معنایی گسترده را بر اساس یک مدل مارکف پنهان نامحدود وابسته به سلسله مراتب ایجاد می کنیم که می تواند وابستگی زمانی بین مشاهدات مجاور را جذب کند و مناطق منطقهای را از یک مجموعه داده های مسیریابی بازیابی کند. علاوه بر این، پیشنهاد می کنیم که یک افزونه مهم برای کاهش ناحیه های معنی دار بیش از حد که در یک مدل غیر چسبنده وجود دارد، ارائه دهیم. نتایج تجربی نشان می دهد که مدل های ما به خوبی از مناطق داده های مسیریابی واقعی مناطق معنایی را استخراج می کند.