کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6940839 1450020 2017 9 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Active Incremental Recognition of Human Activities in a Streaming Context
ترجمه فارسی عنوان
شناخت افزایشی فعالانه از فعالیت های انسانی در یک جریان
کلمات کلیدی
به رسمیت شناختن فعالیت جریان ویدئو یادگیری فعال، یادگیری افزایشی، بودجه ثابت، به رسمیت شناختن عمل پیوسته، طبقه بندی غیر پارامتری،
ترجمه چکیده
شناخت فعالیت های انسانی از منابع جریان یافته چالش های منحصر به فرد را به یادگیری الگوریتم ها. مدل های پیش بینی شده باید مقیاس پذیر باشند، به طور مداوم قابل آموزش باشند، و باید حتی در زمانی که جریان داده به طور دائمی طولانی است، با اندازه محدود باقی می ماند. به منظور دستیابی به دقت بالا حتی در محیط های پیچیده و پویا، روش ها نیز باید غیر پارامتری باشند، به عنوان مثال، ساختار آنها باید در پاسخ به داده های ورودی سازگار باشد. علاوه بر این، همانطور که تنظیم در تنظیمات جریان بسیار مشکل است، رویکردهای مناسب باید بدون پارامتر (به عنوان مقادیر پارامتر تنظیم شده اولیه ممکن است برای جریانهای آینده مناسب نباشد). در اینجا، رویکردی برای شناخت اقدامات انسانی از داده های جریان داده که همه ی این الزامات را برآورده می کنند، ارائه می دهیم: (1) به طور مداوم یک مدل یاد بگیریم که فضای ویژگی را با طبقه بندی های ساده و محلی تطبیق می دهد؛ (2) استفاده از یک استراتژی یادگیری فعال برای کاهش درخواست حاشیه نویسی؛ (3) دستیابی به دقت خوب در یک اندازه مدل ثابت. اگر چه در این کار ما بر روی شناخت فعالیت های انسان تمرکز می کنیم، رویکرد ما کاملا مستقل از استخراج ویژگی است و می تواند با هر ماتریس تحت نظارت (مجموعه ای از بردارهای ویژگی) مقابله کند. از این رو، می توان آن را به طیف گسترده ای از برنامه های کاربردی (مانند تشخیص گفتار، طبقه بندی تصویر، تشخیص چهره، تشخیص پوزیشن و تطبیق تصویر) اقتباس کرد. آزمایش های گسترده بر روی معیارهای استاندارد نشان می دهد که رویکرد ما رقابتی با روش های پیشرفته غیر افزایشی است، در حالیکه باالتری از خط مشی های افزایشی موجود موجود است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
پیش نمایش مقاله
شناخت افزایشی فعالانه از فعالیت های انسانی در یک جریان
چکیده انگلیسی
Recognising human activities from streaming sources poses unique challenges to learning algorithms. Predictive models need to be scalable, incrementally trainable, and must remain bounded in size even when the data stream is arbitrarily long. In order to achieve high accuracy even in complex and dynamic environments methods should be also nonparametric, i.e., their structure should adapt in response to the incoming data. Furthermore, as tuning is problematic in a streaming setting, suitable approaches should be parameterless (as initially tuned parameter values may not prove optimal for future streams). Here, we present an approach to the recognition of human actions from streaming data which meets all these requirements by: (1) incrementally learning a model which adaptively covers the feature space with simple and local classifiers; (2) employing an active learning strategy to reduce annotation requests; (3) achieving good accuracy within a fixed model size. Although in this work we focus on human activity recognition, our approach is completely independent from the feature extraction and can deal with any supervised matrix (set of feature vectors). Hence, it can be adapted to a wide range of applications (e.g., speech recognition, image classification, object recognition, pose recognition, and image matching). Extensive experiments on standard benchmarks show that our approach is competitive with state-of-the-art non-incremental methods, while outperforming the existing active incremental baselines.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition Letters - Volume 99, 1 November 2017, Pages 48-56
نویسندگان
, , , ,