کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4969939 1449988 2016 29 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A discriminative representation for human action recognition
ترجمه فارسی عنوان
نمایندگی تبعیض آمیز برای تشخیص عمل انسان
کلمات کلیدی
تشخیص عمل، نمایندگی تبعیض آمیز، طبقه بندی، حداکثر احتمال،
ترجمه چکیده
تشخیص عمل به عنوان یک موضوع تحقیق فعال در طول سال های گذشته ایستاده است. بسیاری از تلاش ها انجام شده و بسیاری از روش ها پیشنهاد شده است. با این حال، هنوز چالش هایی همچون شرایط روشنایی، دیدگاه، حرکت دوربین و پس زمینه دلخواه وجود دارد. برای مقابله با این چالش ها، کشف اطلاعات کلیدی داده های ورودی، ارائه نمایندگی تبعیض آمیز است. این کار را می توان با بهبود دو جزء اصلی مورد بررسی قرار داد: نمایه پارامتر شده و طبقه بندی تبعیض آمیز. نمایندگی با متغیرهای پنهان پارامتر می شود و می تواند از داده های آموزشی آموخته شود. و طبقه بندی می تواند آموزش داده شود تا اعمال را براساس نمای ارائه شده تشخیص دهد. مشارکت در این مقاله به شرح زیر است: (1) یک نمایه احتمالاتی جدید برای ضبط اطلاعات مهم نسبی از ویژگی های سطح پایین استفاده می شود؛ (2) یک چارچوب جدید با ترکیب نمایه پارامتر شده و طبقه بندی اختیاری پیشنهاد می شود؛ (3) استراتژی متناوب مطلوب برای بهبود عملکرد تشخیص عمل با به روز رسانی نمایندگی و طبقه بندی به طور متناوب. نتایج تجربی در پنج مجموعه داده شناخته شده نشان می دهد که روش پیشنهاد شده به طور قابل توجهی بهبود عملکرد در تشخیص عمل.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
پیش نمایش مقاله
نمایندگی تبعیض آمیز برای تشخیص عمل انسان
چکیده انگلیسی
Action recognition has been standing as an active research topic over the past years. Many efforts have been made and many methods have been proposed. However, there are still some challenges such as illumination condition, viewpoint, camera motion and cluttered background. In order to tackle these challenges, a discriminative representation is proposed by discovering key information of the input data. This task can be addressed by improvements of two major components: parameterized representation and discriminative classifier. The representation is parameterized with hidden variables and can be learned from training data. And the classifier can be trained to recognize actions based on the proposed representation. The contributions of this paper are as follows: (1) a novel probabilistic representation is utilized to capture the relative significant information of low level features; (2) a novel framework is proposed by combining the parameterized representation and discriminative classifier; (3) an alternating strategy is favorable to improve the performance of action recognition by updating the representation and the classifier alternatively. Experimental results on five well-known datasets demonstrate that the proposed method significantly improves the performance in action recognition.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition - Volume 59, November 2016, Pages 88-97
نویسندگان
, , ,