主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2018-2019年专刊出版计划 微信服务介绍 最新一期:2018年第12期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
唐超,王文剑,李伟,李国斌,曹峰.基于多学习器协同训练模型的人体行为识别方法.软件学报,2015,26(11):2939-2950
基于多学习器协同训练模型的人体行为识别方法
Multi-Learner Co-Training Model for Human Action Recognition
投稿时间:2015-05-29  修订日期:2015-08-26
DOI:10.13328/j.cnki.jos.004899
中文关键词:  人体行为识别  半监督学习  协同训练  学习器选择  混合特征
英文关键词:human action recognition  semi-supervised learning  co-training  learner selection  mixed feature
基金项目:国家自然科学基金(61273291, 71031006, 41401521); 山西省回国留学人员科研资助项目(2012-008); 安徽高校自然科学研究项目(KJ2015A206); 合肥学院重点建设学科项目(2014xk08); 合肥学院学科带头人培养对象项目(2014dtr08); 合肥学院人才科研基金项目(15RC07); 厦门理工学院高层次人才项目(YKJ14014R)
作者单位E-mail
唐超 合肥学院 计算机科学与技术系, 安徽 合肥 230601 tangchao77@sina.com 
王文剑 山西大学 计算机与信息技术学院, 山西 太原 030006  
李伟 厦门理工学院 计算机与信息工程学院, 福建 厦门 361005  
李国斌 合肥学院 计算机科学与技术系, 安徽 合肥 230601  
曹峰 山西大学 计算机与信息技术学院, 山西 太原 030006  
摘要点击次数: 2211
全文下载次数: 1870
中文摘要:
      人体行为识别是计算机视觉研究的热点问题,现有的行为识别方法都是基于监督学习框架.为了取得较好的识别效果,通常需要大量的有标记样本来建模.然而,获取有标记样本是一个费时又费力的工作.为了解决这个问题,对半监督学习中的协同训练算法进行改进,提出了一种基于多学习器协同训练模型的人体行为识别方法.这是一种基于半监督学习框架的识别算法.该方法首先通过基于Q统计量的学习器差异性度量选择算法来挑取出协同训练中基学习器集,在协同训练过程中,这些基学习器集对未标记样本进行标记;然后,采用了基于分类器成员委员会的标记近邻置信度计算公式来评估未标记样本的置信度,选取一定比例置信度较高的未标记样本加入到已标记的训练样本集并更新学习器来提升模型的泛化能力.为了评估算法的有效性,采用混合特征来表征人体行为,从而可以快速完成识别过程.实验结果表明,所提出的基于半监督学习的行为识别系统可以有效地辨识视频中的人体动作.
英文摘要:
      Human action recognition is a hot topic in computer vision. Most of the existing work use the action models based on supervised learning algorithms. To achieve good performance on recognition, a large amount of labeled samples are required to train the sophisticated action models. However, collecting labeled samples is labor-intensive. This paper presents a novel semi-supervised learning algorithm named multi-learner co-training model (MCM) to recognize human actions. Two key issues are addressed in this paper. Firstly, the base classifiers in co-training are selected by Q statistic-based classifiers selection algorithm (QSCSA). Secondly, MCM is employed for the semi-supervised model construction. The new confidence score measure of unlabeled sample depends on estimating the classifier companion committee (CCC) accuracy on labeling the neighborhood of an unlabeled examples. To evaluate the proposed algorithm, mixed-descriptors are used to express actions so that the recognition algorithm can quickly complete the recognition process from a single frame of visual image. Experimental results are presented to show that the proposed semi-supervised learning system can recognize simple human actions effectively.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利