تحلیل تفکیک خطی چند وظیفه ای برای تشخیص فعالیت عمق رنگ دید ثابت

قیمت: 43,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

تحلیل تفکیک خطی چند وظیفه ای برای تشخیص فعالیت عمق رنگ دید ثابت

عنوان لاتین

Clustered Multi-task Linear Discriminant Analysis for View Invariant Color-Depth Action Recognition

اتخاذ گسترده دوربین های عمق کم هزینه فرصت های جدیدی برای بهبود سیستم های تشخیص فعالیت سنتی باز کرده است. در این مقاله ما روی مسئله خاص از تشخیص فعالیت تحت تغییرات نقطه دید تمرکز می کنیم و یک رویکرد جدید برای عمل تشخیص فعالیت دید ثابت به طور مشترک روی داده بصری از کانال های دوربین عمق و رنگ پیشنهاد کردیم. متد ما مبتنی بر ترکیب منحصر به فرد از توصیف گر های ماتریس خود شباهت قوی ( SSM) و یادگیری چند وظیفه ای است. در واقع تشخیص فعالیت چند دیدی ذاتا یک مسئله یادگیری چند وظیفه ای است: تصاویر از یک دید دوربین می تواند به عنوان داده بصری مرتبط با همان وظیفه مدل شود و آن منطقی است که فرض کنیم که داده از وظایف مختلف ( دیدهای دوربین) مرتبط به همدیگر هستند. در این کار ما یک الگوریتم جدید توسعه تحلیل تفکیک خطی چند وظیفه ای (MT-LDA) برای افزایش انعطاف پذیری آن با یادگیری وابستگی ها بین دیدهای مختلف پیشنهاد کردیم. نتایج آزمایش وسیع روی مجموعه داده ACT42 قابل دسترس عمومی تاثیرات متد پیشنهادی را نشان می دهد.

The widespread adoption of low-cost depth cameras has opened new opportunities to improve traditional action recognition systems. In this paper we focus on the specific problem of action recognition under view point changes and propose a novel approach for view-invariant action recognition operating jointly on visual data of color and depth camera channels. Our method is based on the unique combination of robust Self- Similarity Matrix (SSM) descriptors and multi-task learning. Indeed, multi-view action recognition is inherently a multi-task learning problem: images from a camera view can be modeled as visual data associated to the same task and it is reasonable to assume that the data of different tasks (camera views) are related to each other. In this work we propose a novel algorithm extending Multi-Task Linear Discriminant Analysis (MT-LDA) to enhance its flexibility by learning the dependencies between different views. Extensive experimental results on the publicly available ACT42 dataset demonstrate the effectiveness of the proposed method