Unsupervised Spectral Dual Assignment Clustering of Human Action in context



Unsupervised Spectral Dual Assignment Clustering of Human Action in context

无监督的上下文中人体动作的频谱双重任务聚类方法

    摘要部分：最近的研究趋势表明了与一个动作关联的上下文信息，诸如场景或者对象，能够提高人体动作识别的精确性；然而，使用上下文信息来提升无监督的人体动作聚类的问题之前从来没有被思考过，而且也不能通过使用已有的方法来实现。为了解决这个问题，我们引入了一个新颖的，通用的算法,双重任务K均值算法（Dual Assignment k-Means）DAKM， 它能够独特的同步执行两个同时发生的聚类任务，而且使用相关信息能够提高两个聚类。而且，我们描述了一个DAKM的频谱扩展版本（SDAKM）为了在实际数据上更好的性能。在合成数据上的进一步的实验以及在三个实际具有场景上下文的人体动作数据库上的实验表明：ADKM/SDAKM能够显著的比最先进的聚类方法执行的更好，通过烤炉动作和场景之间的上下文关系。

    DAKM根据数据集的两个视角学习一个数据集的两个聚类，使用这两个视角之间的关系来同时改善两个聚类。

     聚类算法有两个大类：一个是生成方法——基于模型——从文件中生成一个模型，常见的算法有EM，期望最大值算法。另外一个是判别方法——基于相似度——希望考虑文档之间相似度，希望最大化聚类内部的相似性，同时最小化聚类之间的相似度。

     Dual Assignment Clustering 双重任务聚类

    我们定义具体的双重任务聚类问题如下：我们希望聚类一组视频到不同组的相似视频。我们假定有两个分离的，有效的聚类：第一个聚类基于视频的场景；第二个聚类则是根据视频中的动作。同样的，我们假定这两个聚类不是相互独立的，也就是说如果场景已知的话，这提供了在哪个视频中动作发生的可能性信息。最后我们假定每一个视频有两个视角：一个视角从运动特征获得，从视频中的多做产生，另一个视角从静止特征获得，通过视频的场景产生。目的是产生两个动作聚类和一个场景聚类，估计动作和场景之间的关系来提高两个解决方案的精确性。

    我们希望捕获这个多对多关系的完全复杂性，与在多视角聚类下所做的潜在的一对一的假设不同，其中，一个动作对应于一个场景。我们剑魔这个关系使用一个相关性(correlation matrix)矩阵R，R使用联合概率分布和边缘概率分布来捕获这个相关信息：

优化问题：

    给定一组几何{x1, x2, x3, ..., xn},基本的k-均值硬聚类算法最优化下式：

在k均值聚类中，C是一个二值聚类成员关系矩阵 ，其中每个元素Ci,j 表示观察xi属于第j个簇集，并且每一个观察只属于一个簇，μj是第j簇的质心。

          在双重任务问题中，目标是聚类相关的两组观察(或者视角)：(x1, x2, ..., xn)和(y1, y2, ..., yn)，分成m组合n组。其中xi和yj同时发生。并且有一个未知的关系在他们之间。我们提出一个修正到原来的k均值算法。形成了一个多任务的优化问题。第一个目标函数是：

这个目标实际上与最初的k均值算法完全相同，被扩展到了两个数据集上。为了降低到质心的距离和，同时对x和y，是这么设计的。由于这个目标接收的是两个距离的积而不是和。我们不必考虑x和y之间的尺度变化。

    第二个目标是：

R通过使用Cx和Cy利用等式2计算。等式5粗略的响应了最大化Cx和Cy之间的相互信息。

关于作者的信息可以通过查看网址

http://smjdv.com/