基于联合局部扰动学习的3D人体骨架动作识别

发布时间：2021-08-11 10:32

　　机器学习在不同领域的广泛应用往往依赖于大量数据。而在实际应用中,高维数据的存在给不少机器学习任务带来了困难。为了应对这些高维数据带来的挑战,人们提出了很多基于子空间的学习方法,将高维数据表示成低维子空间,通过处理子空间来解决相应的问题。在这些基于子空间的方法中,在格拉斯曼流形上进行子空间学习的方法因为其处理子空间时的高度一致性而备受关注。但是这类方法忽略了子空间表示受到原始数据中噪声干扰的可能。同时,这类表示方法往往缺乏对数据类型的甄别,在降维时剔除了太多信息,从而导致判别学习的准确率下降。本文回顾了基于格拉斯曼流形的判别学习方法,围绕这两类问题进行了进一步的探讨。本文基于序列数据提出了一种带扰动格拉斯曼核的子空间联合局部学习方法,同时考虑子空间潜在的扰动和信息损失以实现在更加稳健和准确的分类器。并在此基础上,本方法给出了一类联合局部扰动核,利用核方法的优势解决判别问题。本文的讨论以人体三维骨架动作识别应用为例,在多个合成或真实的动作识别数据集上进行实验,验证了该方法在多种环境以及不同子任务上都能取得较好的结果。本文的主要工作如下:1.为了更好地分析噪声干扰下的动作识别,本文提出了一个... 

【文章来源】：中国科学技术大学安徽省 211工程院校 985工程院校

【文章页数】：81 页

【学位级别】：硕士

【部分图文】：

图２．５?ＬＴＢＳＶＭ的方法示意图

图３．１空扰动

?第３章基于子空间扰动的稳定骨架动作识别???决職界?ｕ原始子空ｒ司??ｔｒ扰动子空间的期望??＾?真实分类边界??图３．２扰动子空间学习的原理示意图。??通常而言，（３．５）中的损失函数并不容易计算，很多情况下没有解析形式的计??算方法。Ｗａｎｇ等人［８８１指出可以将￡（６；？；）的上界视为一种代理损失（Ｓｕｒｒｏｇａｔｅ??Ｌｏｓｓ），用它代替原始的损失函数进行近似优化，从而降低计算复杂度。设＜?＝／。心??当／为凸函数时，利用Ｊｅｎｓｅｎ不等式可以推出￡满足以下不等式：??Ｎ?，??￡（Ｄ；?ｗ）＾Ｃ＾?／（Ｅ０ｊｊ｜ｕＪｇ（Ｕ（Ｖ，?Ｙ，－ｗ）｝）?＋?－?｜｜ｕ；｜｜２?＾?￡？?（３．９）??／＝１?１?１??对于逻辑回归，有??ｉＣ“?＝?ｃ?备?ｌｏｇ（ｌ?ＩＭＩ２?（３．１０）??当是由ｕ受到方差为ａ２的伪高斯扰动产生时，利用矩母函数的性质??Ｅ［ｅａ］?＝?？ｉＶ〇，２）?（３．１１）??可以得到??￡？?＝?Ｃ?＾?ｌｏｇ（ｌ?＋?ｅ－ｙｙ?＾，）＋Ｘ４＾Ｔ＾）?＋?Ｉ?ｌｌ＾ｌｌ２?（３．１２）??类似地，对于使用交叉熵函数作为损失的分类器有：??心＝Ｃ?全?ｌｏｇ（土，飢）＋？）?＋?爿｜…｜｜２?（３．１３）??／＝１?７＝１?Ｚ??这样的近似估计虽然看起来更加高效，但是在实际中仍有诸多不便。例如，对逻??辑回归损失和交叉熵函数还需要估计协相关矩阵；对于函数０，在不知道其具体??形式的情况下很难计算期望。因此，为了解决这些困难，我们还可以考虑其他更??高效的方式，比如核方法。在下一节中将介绍这种扰动子空间的核学习模型。??２６??

【参考文献】：
期刊论文
[1]基于判别性区域提取的视频人体动作识别方法[J]. 段立娟,郭亚楠,乔元华,李凯.  北京工业大学学报. 2017(10)
[2]利用骨架模型和格拉斯曼流形的3D人体动作识别[J]. 吴珍珍,邓辉舫.  计算机工程与应用. 2016(20)

硕士论文
[1]基于特权信息的人类行为识别研究[D]. 凌佩佩.华东师范大学 2017
[2]基于流形学习的人体动作识别方法研究[D]. 蒋玮.重庆大学 2016



本文编号：3336001