-
题名基于多视角自步学习的人体动作识别方法
被引量：2
- 1
-
-
作者
刘莹莹
邱崧
孙力
周梅
徐伟
-
机构
华东师范大学信息科学技术学院上海市多维度信息处理重点实验室
上海交通大学图像处理与模式识别研究所
-
出处
《计算机工程》
CAS
CSCD
北大核心
2018年第2期257-263,共7页
-
基金
国家自然科学基金(61302125
61377107)
上海市自然科学基金(17ZR1408500)
-
文摘
自步学习的动作识别方法采用课程学习的思路,忽略了不同视角动作特征对课程的影响,对多分类的人体两维视频复杂动作识别无法取得满意效果。针对上述问题,提出一种多视角自步学习算法。选取5个视角并提取Trajectory、HOG、HOF、MBHx和MBHy作为各自视角下的特征信息,利用自步学习算法学习得出对应视角下的动作分类课程,使用线性规划增强方法将不同视角下的课程进行融合,得出更适合解决多类复杂动作识别问题的综合课程。实验结果表明,相比单一视角自步学习方法和多视角支持向量机方法,该方法提高了多类复杂动作识别的效率和准确率,具有更高的可操作性和更广泛的应用前景。
-
关键词
人体动作识别
多视角融合
自步学习
线性规划增强
支持向量机
-
Keywords
human action recognition
multi-view fusion
self-paced learning（spl）
Linear Programming Boosting（LPBoost）
Support Vector Machine（SVM）
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名针对标签噪声数据的自步半监督降维
被引量：1
- 2
-
-
作者
古楠楠
-
机构
首都经济贸易大学统计学院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2023年第11期131-142,共12页
-
基金
首都经济贸易大学北京市属高校基本科研业务费专项资金(QNTD202109)。
-
文摘
数据类别标记是一项费时费力的工作,且标记质量会直接影响模型预测性能。基于自步学习机制构建自步半监督降维框架,将由简单到复杂的样本逐步纳入模型训练过程。在此框架下,设计自步半监督降维算法,依据交替优化策略,在更新降维映射函数与计算样本重要度之间交替迭代。一方面,最小化低维标签数据的加权类内分散程度,且考虑再生核希尔伯特空间中的函数复杂度正则化项与数据稀疏结构图上的光滑度正则化项,得到降维映射。另一方面,依据自步学习机制,计算标签数据的低维表示与其所在类的锚点之间的距离,给定下次迭代时样本的重要度。所提框架及算法对标签噪声具有较好的鲁棒性,能自适应给出标签样本的重要度及显性非线性的降维映射,所得的低维表示具有较强的可分性与判别性。在5个实验数据集上,对于标签具有噪声的数据,所提算法获得的低维表示的最近邻分类准确率分别比次优算法最多提高了2.2、5.6、5.0、11.3、2.7个百分点,验证了所提算法的有效性和鲁棒性。
-
关键词
半监督降维
自步学习
映射
稀疏表示
特征提取
-
Keywords
semi-supervised dimensionality reduction
self-paced learning(spl)
mapping
sparse representation
feature extraction
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名一种自适应混合权重的自步学习方法
- 3
-
-
作者
李豪
赵悦
公茂果
武越
刘洁怡
-
机构
西安电子科技大学电子工程学院
西安电子科技大学计算机科学与技术学院
-
出处
《软件学报》
EI
CSCD
北大核心
2023年第5期2337-2349,共13页
-
基金
国家自然科学基金(61906146,62036006,6210020547)
中央高校基本科研业务费专项资金(JB210210)
广东省重点领域研发计划(2020B090921001)。
-
文摘
自步学习是一种受人类和动物学习过程启发的学习机制,它赋予训练样本不同的权重,从而逐步将简单到更复杂的样本纳入训练集进行学习.自步学习在目标函数中加入自步正则项控制学习过程.目前存在多种形式的自步权重正则项,不同的正则项可能会导致不同的学习性能.其中,混合权重正则项同时具有硬权重和软权重的特点,因而被广泛应用在众多自步学习问题中.然而,当前的混合权重方法只结合了对数软权重,形式较为单一.此外,相较于软权重或硬权重方式,混合权重方法引入了更多的参数.提出一种自适应混合权重的自步正则方法来克服形式单一和参数难以调节的问题.一方面,在学习的过程中权重的表示形式能够自适应进行调整,另一方面,可以根据样本损失分布特点来自适应混合权重引入的自步参数,从而减少参数对人为经验的依赖.行为识别和多媒体事件检测上的实验结果表明提出的方法可以有效地解决权重形式和参数的自适应问题.
-
关键词
自步学习
多项式混合权重
参数自适应
监督学习
-
Keywords
self-paced learning(spl)
polynomial mixture weighing
parameter adaptation
supervised learning
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
