Spatio-Temporaler konvolutionaler sparscher Autoencoder für Sequenzklassifikation

In diesem Papier präsentieren wir einen neuartigen lernbasierten Ansatz zur Klassifikation von Videosequenzen. Im Gegensatz zur dominierenden Methodik, die auf handgefertigten Merkmalen beruht, die manuell optimiert werden, um für eine spezifische Aufgabe optimal zu sein, lernt unser neuronales Modell automatisch eine spärliche, verschiebungsinvariante Darstellung der lokalen 2D+t salienten Informationen, ohne jegliche Nutzung von Vorwissen. Zu diesem Zweck wird ein spatio-temporaler konvolutionaler sparscher Autoencoder trainiert, um einen gegebenen Eingang in einen Merkmalsraum zu projizieren und ihn von seinen Projektionskoordinaten zu rekonstruieren. Das Lernen erfolgt auf unbeaufsichtigte Weise, indem eine globale parametrisierten Zielunktion minimiert wird. Die Sparsamkeit wird sichergestellt, indem eine sparsifizierende logistische Funktion zwischen dem Encoder und dem Decoder hinzugefügt wird, während die Verschiebungsinvarianz durch die Einbeziehung einer zusätzlichen versteckten Variablen in die Zielsetzung behandelt wird. Die zeitliche Entwicklung der gewonnenen spärlichen Merkmale wird durch ein langes kurzzeitgedächtnis Recurrent Neural Network erlernt, das darauf trainiert wird, jede Sequenz zu klassifizieren. Wir zeigen, dass das Modell, da der Merkmalslernprozess unabhängig vom Problem ist, herausragende Leistungen erzielt, wenn es auf zwei verschiedene Probleme angewendet wird, nämlich die Erkennung menschlicher Aktionen und die Gesichtsausdruckserkennung.