多图融合约束半非负矩阵分解的动作分割方法

最新推荐文章于 2024-09-30 15:40:24 发布

罗思付之技术屋

最新推荐文章于 2024-09-30 15:40:24 发布

阅读量81

点赞数

分类专栏：综合技术探讨及方案专栏文章标签：机器学习人工智能

本文链接：https://blog.csdn.net/fzq0625/article/details/137411537

版权

综合技术探讨及方案专栏专栏收录该内容

98 篇文章 3 订阅 ¥69.90 ¥99.00

订阅专栏

超级会员免费看

本文提出了一种融合结构相似性和度量相似性的多图融合约束Semi-NMF (MGSeNMF) 方法，用于动作分割。该方法通过结合序列中的结构和度量相似性信息，改进了特征表示学习，提高了动作分割的准确性。实验表明，MGSeNMF在保持动作片段内部一致性的基础上，能更准确地分割动作边界，尤其是在视频序列上表现优越，同时运行效率显著提高。

摘要由CSDN通过智能技术生成

摘要: 基于聚类的无监督动作分割方法主要利用序列中相邻帧之间的结构相似性来提高动作分割的准确性。这在实现动作片段内部一致划分的同时给不同动作边界的准确分割带来隐患。为此提出了一种基于多图融合约束矩阵分解的动作分割方法。通过融合序列中的结构相似性和度量相似性信息构造多图融合约束项，融入到半非负矩阵分解中获得序列的低维表示，进而获得序列的k近邻图并利用图割的方法实现准确分割。在两类动作序列上的实验表明，所提方法在保持动作内部一致划分的同时能够准确划分动作边界，明显提升了分割准确性，时间效率也明显提升。

关键词:
动作分割 /
聚类 /
半非负矩阵分解 /
多图融合约束 /
结构相似性 /
度量相似性 /
低维表示 /
k近邻图

动作分割是将采集到的动作序列数据分割成若干个不同的动作片段，其在人体行为理解[1]、人机交互[2]、机器人控制[3]、数据挖掘[4]等多个领域具有广泛的应用。与其他数据相比，动作序列数据通常包含多个动作片段。一般认为，序列中相邻帧（点）的变化是连续的、缓慢的，具有较高的相似性[5]。动作分割时，属于同一个动作片段内的相邻帧应划分到一起；而在不同动作片段边界上的相邻帧应分别划分到