Key points are not available for this paper at this time.
Dieses Papier präsentiert einen Online-Lernalgorithmus zur Konstruktion einer bildbasierten Repräsentation aus Videosequenzen, die für die Erkennung und Verfolgung nützlich ist. Für eine Objektklasse (z. B. menschliche Gesichter) wird eine generische Repräsentation der Erscheinungen der Klasse offline gelernt. Aus einem Video einer Instanz dieser Klasse (z. B. einer bestimmten Person) wird ein Erscheinungsmodell inkrementell online unter Verwendung des vorherigen generischen Modells und aufeinanderfolgender Frames aus dem Video gelernt. Genauer gesagt werden sowohl die generischen als auch die individuellen Erscheinungen als ein Erscheinungsmanifold dargestellt, das durch eine Sammlung von Untermanifolds (genannt Pose-Manifolds) und die Verbindung zwischen ihnen approximiert wird. Im Gegenzug wird jedes Untermanifold durch einen niederdimensionalen linearen Unterraum approximiert, während die Konnektivität durch Übergangswahrscheinlichkeiten zwischen Paaren von Untermanifolds modelliert wird. Wir zeigen, dass unser Online-Lernalgorithmus eine effektive Repräsentation für die Gesichtserkennung konstruiert, und dessen Einsatz bei der video-basierten Gesichtserkennung vergleicht sich günstig mit der mit einer Batch-Technik konstruierten Repräsentation.
Lee et al. (Wed,) untersuchten diese Frage.