Key points are not available for this paper at this time.
Dieses Papier behandelt das Problem der Erfassung der Dynamik für exemplarbasierte Erkennungssysteme. Traditionelle HMM bieten ein probabilistisches Werkzeug zur Erfassung der Systemdynamik, und im Exemplarparadigma werden HMM-Zustände typischerweise mit den Exemplaren gekoppelt. Alternativ schlagen wir einen nichtparametrischen HMM-Ansatz vor, der ein diskretes HMM mit beliebigen Zuständen (entkoppelt von Exemplaren) verwendet, um die Dynamik über einen großen Exemplarraum zu erfassen, wobei ein nichtparametrischer Schätzansatz zur Modellierung der Exemplarverteilung eingesetzt wird. Dies reduziert die Notwendigkeit für längeres und suboptimales Training des HMM-Beobachtungsmodells. Wir haben den vorgeschlagenen Ansatz für die ansichtsbasierte Erkennung von Gesten verwendet. Der Ansatz basiert darauf, jede Geste als eine Sequenz von gelernten Körperhaltungen (Exemplare) darzustellen. Die Gesten werden durch einen probabilistischen Rahmen zur Übereinstimmung dieser Körperhaltungen erkannt und zur Auferlegung zeitlicher Einschränkungen zwischen verschiedenen Haltungen unter Verwendung des vorgeschlagenen nichtparametrischen HMMs angewendet.
Elgammal et al. (Tue,) haben diese Frage untersucht.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: