...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Pattern Analysis and Applications >Human activity recognition using robust adaptive privileged probabilistic learning
【24h】

Human activity recognition using robust adaptive privileged probabilistic learning

机译：人类活动识别使用强大的自适应特权概率学习

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 work, a supervised probabilistic approach is proposed that integrates the learning using privileged information (LUPI) paradigm into a hidden conditional random field (HCRF) model, called HCRF+, for human action recognition. The proposed model employs a self-training technique for automatic estimation of the regularization parameters of the objective function. Moreover, the method provides robustness to outliers by modeling the conditional distribution of the privileged information by a Student's t-density function, which is naturally integrated into the HCRF+ framework. The proposed method was evaluated using different forms of privileged information on four publicly available datasets. The experimental results demonstrate its effectiveness concerning the state of the art in the LUPI framework using both hand-crafted and deep learning-based features extracted from a convolutional neural network.
机译：在 这项工作中， 监督 概率方法 提出了 整合 使用 特权信息 的 学习 （ LUPI ）范例 成 藏 条件随机场 （ HCRF ） 模型 ， 称为 HCRF + ， 为人类 动作识别 。 该模型 采用用于 目标函数 的正规化 参数的自动 估计 的自 训练技术 。 此外，该方法 通过由 学生t 密度函数 ，其被 自然地融入 HCRF + 框架 建模 的 特权信息 的条件分布 提供 鲁棒性 的异常值。 该方法 是用 四个 公开可用的 数据集， 不同形式 的 特权信息 进行评估。 实验结果表明， 它的 关于 使用来自 卷积神经 网络 中提取 两个 手工制作 和 深 基于学习的 特征 在本领域的 LUPI 框架的 状态 的有效性。

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