• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Journal of visual communication & image representation >Learning contrastive feature distribution model for interaction recognition
【24h】

Learning contrastive feature distribution model for interaction recognition

机译：学习用于交互识别的对比特征分布模型

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

In this paper, we learn a Contrastive Feature Distribution Model (CFDM) for interaction recognition. Our contributions are three-folded. First of all, we introduce an intra-inter-frame skeleton feature for interaction description. Secondly, we learn CFDM for a discriminative representation of interactions. In this step, we mine contrastive features to create a dictionary, and learn the probability distribution of dictionary words to construct CFDM in positive and negative training samples. With CFDM, we represent interactions in a discriminative way for recognition. Since there is few skeleton based interaction databases now, we capture a new database, CR-UESTC, which is the third contribution. We evaluate the proposed CFDM approach on CR-UESTC and SBU interaction databases, and compare the result of CFDM with the CM and the BoW approach. The comparison indicates that the recognition accuracy of three approaches is: CFDM > CM > BoW. Compared with Yun et al. (2012), the proposed CFDM also obtain a better result on SBU database. (C) 2015 Elsevier Inc. All rights reserved.
机译：在本文中，我们学习了一种用于交互识别的对比特征分布模型（CFDM）。我们的贡献是三方面的。首先，我们介绍了帧间帧内骨架功能以进行交互描述。其次，我们学习CFDM来区分交互。在这一步中，我们挖掘对比特征以创建字典，并学习字典词在正负训练样本中构造CFDM的概率分布。使用CFDM，我们以区分性的方式表示交互以进行识别。由于现在基于骨架的交互数据库很少，因此我们捕获了一个新的数据库CR-UESTC，这是第三项贡献。我们在CR-UESTC和SBU交互数据库上评估了所提出的CFDM方法，并将CFDM的结果与CM和BoW方法进行了比较。比较表明，三种方法的识别精度为：CFDM> CM> BoW。与Yun等人比较。 （2012年），提出的CFDM在SBU数据库上也获得了更好的结果。 （C）2015 Elsevier Inc.保留所有权利。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号