在静止图像人类行动识别中,现有研究主要利用额外的边界框信息以及类标签来减轻静态图像中的时间信息;但是,使用手动注释准备额外数据是耗时的,也容易出现人类错误。此外,现有研究没有解决与长尾分布的行动识别。在本文中,我们提出了一种用于人类行动认可的两相多方专家分类方法,以通过超级学习和没有任何额外信息应对长尾分布。要为每个超级类别选择最佳配置,并在不同动作类之间表征类间依赖关系,我们提出了一种基于图形的类别选择(GCS)算法。在提出的方法中,粗粒阶段选择最相关的细粒度专家。然后,细粒度专家编码每个超级级别的复杂细节,使得级别的变化增加。在各种公共人类行动识别数据集上进行了广泛的实验评估,包括斯坦福福德40,Pascal VOC行动,Bu101 +和iHar数据集。实验结果表明,该方法产生了有希望的改善。更具体地说,在Ihar,Sanford40,Pascal VOC 2012行动和BU101 +基准中,所提出的方法优于最先进的研究,以8.92%,0.41%,0.66%和2.11%,计算成本远远较低没有任何辅助注释信息。此外,证明,在解决长尾分布的动作识别方面,该方法通过显着的边缘来实现其对应物。
translated by 谷歌翻译