7、基于稀疏张量子空间学习的动作识别降维方法

基于稀疏张量子空间学习的动作识别降维方法

1. 引言

近期，人体动作识别在公共监控系统、老年服务系统等领域受到广泛关注。然而，网络摄像头捕捉的数据通常是高维的，且包含噪声和冗余信息。因此，减轻不确定性以提取有意义的信息，对于提高识别任务的准确性至关重要。基于此，本文提出两个主题：一是从视频中选择关键帧以去除噪声和冗余；二是学习一个子空间进行降维，以降低时间复杂度。

稀疏典型相关分析（SCCA）通过将某些系数设为零来选择重要变量，常用于高维基因选择。受此启发，我们提出在高维视觉数据（如人体动作视频、不同因素的人脸以及一些文本数据）的降维任务中采用双重收缩方法。目标是从原始高维数据中选择一些关键帧或变量，同时包含识别任务所需的最有用信息。然而，SCCA框架存在三个局限性：
- 图像向量化带来维度灾难问题 ：变量数量远大于样本数量，这限制了变量选择，因为套索（lasso）最多只能选择较少数量的变量。
- 向量化计算方差矩阵时时间复杂度高 ：由于变量数量众多，计算方差矩阵时的时间复杂度非常高。
- 变量间的高相关性带来共线性问题 ：这导致估计值的方差较大，使解退化。

我们旨在找到一种稀疏方法，既能像SCCA一样有效工作，又能克服上述问题，即提高受（a）和（c）限制的变量选择性能，并针对（b）节省时间。

为缓解（a）和（b）的情况，我们采用张量表示高维数据，并学习张量子空间进行降维。许多张量子空间分析方法已被用于与识别相关的任务。受张量表示的启发，我们提出一个张量模型来预处理高维数据，以节省时间和内存。此外，我们在传统SCCA中