Learning structures of interval-based Bayesian networks in probabilistic generative model for human complex activity recognition

شناسایی فعالیت های پیچیده به دلیل عدم قطعیت ذاتی و تنوع انجام یک فعالیت پیچیده به چالش کشیدن است. به طور معمول، هر نمونه از یک فعالیت پیچیده پیکربندی خاص خود را از اعمال اتمی و وابستگی های زمانی خود را دارد. در کار قبلی ما ما یک مدل بیزی مبتنی بر اتمی پیشنهاد کردیم که شبکه های ارتباط فاصله را برای ساختن فعالیت های پیچیده در یک روش تولیدی احتمالی توصیف می کند: با معرفی متغیرهای پنهان از فرایند رستوران چینی، رویکرد ما قادر به گرفتن تمام سبک های احتمالی یک فعالیت پیچیده خاص به عنوان یک مجموعه منحصر به فرد از توزیع بیش از اقدامات اتمی و روابط. با این حال، یک محدودیت عمده از مدل های قبلی ما، سازه های شبکه ثابت آنها است که ممکن است منجر به یک مدل تعلیم و تربیت شده با توجه به لینک های غیر ضروری یا گم شده در یک شبکه شود. در این کار، ما مدل پیشرفته ای ارائه می دهیم که ساختارهای شبکه را می توان به طور خودکار از داده های تجربی یاد گرفت، و به خود اجازه می دهد که فعالیت های پیچیده با انواع ساختاری را مشخص کند. علاوه بر این، یک مجموعه داده جدید از فعالیت های پیچیده دست ساخته شده است و ساخته شده به طور عمومی در دسترس است، که بسیار بزرگتر از هر مجموعه داده های موجود است. ارزیابی تجربی بر روی مجموعه داده های معیار و همچنین مجموعه داده های داخلی ما، نشان دهنده رقابت روش های ما است.