DL-SFA: Deeply-Learned Slow Feature Analysis for Action Recognition(泛读)

最新推荐文章于 2021-07-27 18:46:33 发布
最新推荐文章于 2021-07-27 18:46:33 发布
阅读量2.3k 收藏 1
点赞数
分类专栏： Machine_Learning Something_Interesting Deep_Learning 文献阅读 DL文献阅读与感悟 文章标签： CVPR 文献阅读 Machine Learning deep learning
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/sheng_ai/article/details/39695531
版权

一.文献名字和作者

    DL-SFA: Deeply-Learned Slow Feature Analysis for Action Recognition,Lin Sun, Kui Jiay, Tsung-Han Chany, Yuqiang Fang, Gang Wang], Shuicheng Yan
   

二.阅读时间

    2014年9月30日



三.文献的贡献点

       这篇文章主要是将用于视频中行为识别的SFA与深度学习进行结合，虽然说是结合，其实并没有用到深度学习的训练过程，只是将两个SFA进行级联，不过是在级联的过程中，将第一层SFA的核作为3D卷积层的卷积核对视频进行卷积，然后使用了两个maxpooling层，然后再次进行了SFA的学习。不知道为什么这样做可行，可能是对因为于这个领域没有多大研究的。
    个人感觉这篇文章和深度学习其实关系并不是特别大，主要还是在于将SFA进行了级联，特点在于级联的方式。
   





版权所有，欢迎转载，转载请注明出处，谢谢微笑










shengno1
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
[Feature Fusion]骨架动作识别中几何特征的融合
liudiudiu
09-09 2942
原文《Fusing Geometric Features for Skeleton-Based Action Recognition using Multilayer LSTM Networks》 尽量避免两个流之间有信息交换，每个流应该有自己softmax和loss层。 之前流行的方法是每个feature分配平均的权重，但是不同的feature对最终的预测结果有不同的贡献，所以他们之间的权...
Slow Feature Analysis（SFA）模型
zakexu的专栏
08-25 6366
（一）简介 1.缓慢变化原则是人类大脑视觉皮层感受野中的一种计算原则；所谓的缓慢变化原则指的是，当环境发生缓慢变化时，例如物体纹理的一个小小的移动将可能引起光照强度的快速变化，从而导致人眼接收神经元接收到快速变化的信号；假如我们能够成功地从这些快速变化的信号中提取出缓慢变化的特征，那么就能够相应地得出环境的某种缓慢变化特性； 2.根据示意图可以知道，在视频序列中，点P1,P2,P3在时间上的像
机器学习教程 之 慢特征分析：时序特征挖掘
冯良骏 的 博客
02-24 1万+
慢特征分析（slow feature analysis,SFA）是 wiskott 在2002年的一篇论文里提出来的无监督学习方法,它可以从时间序列中提取变化缓慢的特征，被认为是学习时间序列最显著特征的一种方法。这里只讲述SFA应用于线性问题时的模型和解法，其对于非线性问题的应用，是基于线性模型并结合核函数来进行优化的
慢特征分析(Slow Feature Analysis，SFA)算法
车手只需要车和手，压力来自轮胎
07-27 1万+
慢特征分析(Slow Feature Analysis，SFA) 内容较多且枯燥，建议耐心理解，放上冰冰降降温。 点击： 这里有相应的SFA算法的程序　可供参考。 1 Introduction 慢特征分析(Slow Feature Analysis，SFA)，一种无监督降维方法，被用来学习过程监控的时间相关表示。SFA不仅可以通过监测稳态分布来检测与运行条件的偏差，还可以根据时间分布来识别过程的动态异常。 时变信号的不变特征有助于分析和分类。慢特征分析(SFA)是一种从矢量输入信号中学习不变或缓慢变化特征
基于慢特征分析(Slow Feature Analysis, SFA)的变化检测方法
Valinor
01-23 9960
1 慢特征分析 慢特征分析(slow feature analysis, SFA)是一种非监督学习方法,它可以从时间序列中提取变化缓慢的特征。在数学上，SFA可以表示成为一个最优化问题，在保持信号信息量的前提下，最小化输出信号的变化频率。 给定一个n维的时序输入信号[x1(t),x2(t),...,xn(t)][x_{1}(t),x_{2}(t),...,x_{n}(t)][x1​(t),x2​(...
共生矩阵的matlab代码-SFA:光谱特征对齐
05-22
共生矩阵的matlab代码自述文件 自述文件：跨域情感分类 27/09/2013 Danushka Bollegala ＃目录结构和有关文件的详细信息 src / 用于生成各种共现矩阵的源代码。 ...训练和测试子目录包含分别用于训练跨域情感分类方法和...
matlab分时代码-SFA-MaxLib:Max/MSP对象的集合
05-21
SFA-MaxLib ==========概述 SFA-MaxLib是在VCI4DMI上下文中开发的Max / MSP对象的集合。 它包括FTM外部，FTM抽象和Max抽象形式的功能和实用程序。 FTM是由IRCAM开发的Max / MSP共享库，它提供了一个小型且简单的实时...
图像质量评价方法代码matlab代码-SFA:没有基于语义特征聚合的参考图像质量评估，发布于ACMMM2017，TMM2019
05-27
以下文件的SFA代码： 李鼎全，姜婷婷，林伟思和姜明。 “。” IEEE Transactions on Multimedia，第1卷。 21号5，pp.1221-1234，2019年5月。 李定全，姜婷婷和明江。 “。” 2017 ACM多媒体会议论文集。 ACM，2017年...
-sfa_scripts-:ATEC CS斯特林·惠特克
04-12
【标题】：-sfa_scripts-: ATEC CS 斯特林·惠特克 在IT领域，尤其是软件开发中，"sfa_scripts"可能指的是销售自动化（Sales Force Automation）相关的脚本集合。这些脚本可能是为了提高销售流程效率、数据分析或者...
sceneform-android-sdk：适用于Android的Sceneform SDK
01-31
作为1.16.0版本的一部分，为了支持glTF支持而删除了对SFA和SFB资产的支持。 您可以继续使用Sceneform 1.15.0（或更早版本）。 无需迁移到Sceneform 1.16.0。 不要使用Sceneform 1.17.0，因为该版本将无法正常工作...
慢特征分析算法Slow Feature Analysis
xftony的博客
03-19 7417
[Github-blog](https://xftony.github.io)      [CSDN-blog](https://blog.csdn.net/xftony)       在动作视频中，运动区域像素发生剧烈的变化，但是在完成一套动作前，其动作代表的含义是不变的，即其视频表达的高层语义未发生变化。慢特征分析算法，通过剧烈变化的像素寻找其内含的高层语义信息，计算相应的特征来表征其高层语义...
慢特征分析（SFA）
sichuantzh的博客
08-19 8720
慢特征分析（SFA）基本原理使用来自时间信号的信息来学习不变特征的线性因子模型。其基本思想是：在一个场景中其重要特征是基本不变的。例如：摄像头几乎总是跟着主角走。
CVPR2017 all paper list
一亩半分地
07-26 2万+
本文给出了CVPR2017的最新的paperlist
《Deeply-Learned Feature for Age Estimation》论文阅读笔记
cwt19902010的专栏
10-15 1806
这是IEEE的一篇文章，因为和我做的有点关系，于是拜读之。 论文的idea：使用CNN提取特征后，再用流形学习来降维，最后来做回归或者分类。 论文中的CNN网络结构： 两个convolution,两个pooling，再加一个fc,其中第一个convolution的size为5*5，第二个为7*7，pooling为2*2。 作者提出将L2到L6层的特征全部提取出来，然后串联起
变化检测：DSFA模型（含python代码）
向上生长的程序媛的博客
10-23 5712
2019IEEE Transactions of Geoscience and Remote Sensing武大变化检测新模型：DSFA 1.论文地址：Unsupervised Deep Slow Feature Analysis for Change Detection in Multi-Temporal Remote Sensing Images 摘要:Change detec...
转载翻译整理-jyxy201703
comliy123的专栏
03-03 776
在所有深度网络中，卷积神经网和图像处理最为密切相关，卷积网在很多图片分类竞赛中都取得了很好的效果，但卷积网调参过程很不直观，很多时候都是碰运气。为此，卷积网发明者Yann LeCun的得意门生Matthew Zeiler在2013年专门写了一篇论文，阐述了如何用反卷积网络可视化整个卷积网络，并进行分析和调优。由于课题研究需要使用卷积网，本人凭自己的理解将该文翻译成了中文，内容没有严格对齐原文，
基于3D关节点的人体动作识别综述
热门推荐
yeluohanchan的博客
12-04 6万+
文基于3D关节点的人体动作识别综述 原文：2016，Pattern Recognition： 3D skeleton-based human action classification: A survey 摘要 近年来，基于深度序列的人体动作分类的研究越来越多，出现了基于不同数据源：深度图或RGB视频的3D人体关节的人体动作分类的方法以及特征表示方法。 本文...
Video Action Recognition 的近期进展
weixin_43489950的博客
04-22 449
里面是关于video action捕捉和识别的文章，很新很新的 由于未授权不能转发，所以可以见以下链接 https://zhuanlan.zhihu.com/p/59915784
part-aligned系列论文：1707.Deeply-Learned Part-Aligned Representations for Person Re-Identification 论文笔记
xuluohongshang的博客
01-06 5135
Deeply-Learned Part-Aligned Representations for Person Re-Identification一种超简单有效的行人对齐识别网络！ inspired by attention model，propose a part-aligned human representation基于特征图 FCN全卷积提取特征图部分应用GoogLeNet部分网络，特征图
优化这段代码import numpy as np class SFA: # slow feature analysis class def __init__(self): self._Z = [] self._B = [] self._eigenVector = [] def getB(self, data): self._B = np.matrix(data.T.dot(data)) / (data.shape[0] - 1) def getZ(self, data): derivativeData = self.makeDiff(data) self._Z = np.matrix(derivativeData.T.dot(derivativeData)) / (derivativeData.shape[0] - 1) def makeDiff(self, data): diffData = np.mat(np.zeros((data.shape[0], data.shape[1]))) for i in range(data.shape[1] - 1): diffData[:, i] = data[:, i] - data[:, i + 1] diffData[:, -1] = data[:, -1] - data[:, 0] return np.mat(diffData) def fit_transform(self, data, threshold=1e-7, conponents=-1): if conponents == -1: conponents = data.shape[0] self.getB(data) U, s, V = np.linalg.svd(self._B) count = len(s) for i in range(len(s)): if s[i] ** (0.5) < threshold: count = i break s = s[0:count] s = s ** 0.5 S = (np.mat(np.diag(s))).I U = U[:, 0:count] whiten = S * U.T Z = (whiten * data.T).T self.getZ(Z) PT, O, P = np.linalg.svd(self._Z) self._eigenVector = P * whiten self._eigenVector = self._eigenVector[-1 * conponents:, :] return data.dot(self._eigenVector.T) def transfer(self, data): return data.dot(self._eigenVector.T)
最新发布
05-31
4. 使用Python中的列表推导式代替for循环，可以提高代码的简洁性和效率。 优化后的代码如下： ```python import numpy as np class SFA: def __init__(self): self._Z = [] self._B = [] self._eigenVector =...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值