व्यक्तिवादी दैनिक गतिविधि पहचान मल्टीटास्क क्लस्टरिंग के माध्यम से

वीडियोज़ से मानव गतिविधियों को पहचानना कंप्यूटर दृष्टि में एक मौलिक शोध समस्या है। हाल ही में, पहनने योग्य कैमरों से एकत्र किए गए डेटा से मानव व्यवहार का विश्लेषण करने में बढ़ती रुचि देखी गई है। पहले व्यक्ति के कैमरे अपने पहनने वालों के जीवन के कई घंटों को निरंतर रिकॉर्ड करते हैं। इस विशाल मात्रा में अनलिबेल और विषम डेटा से निपटने के लिए, नवीनतम एल्गोरिदमिक समाधान की आवश्यकता है। इस पत्र में, हम पहनने योग्य कैमरों से एकत्र किए गए दृश्य डेटा से दैनिक गतिविधियों के विश्लेषण के लिए एक मल्टीटास्क क्लस्टरिंग फ्रेमवर्क का प्रस्ताव करते हैं। हमारा अनुमान है कि, भले ही डेटा का एनोटेशन न हो, यह समझना संभव है कि कई व्यक्तियों की दैनिक गतिविधियों की पहचान के कार्य आपस में संबंधित हैं, क्योंकि आमतौर पर लोग समान वातावरण में समान कार्य करते हैं, जैसे, कार्यालय में काम करने वाले लोग अक्सर दस्तावेज़ पढ़ते और लिखते हैं। हमारे फ्रेमवर्क में, विभिन्न उपयोगकर्ताओं के डेटा को अलग-अलग क्लस्टर करने के बजाय, हम संबंधित कार्यों के बीच संगत क्लस्टरिंग विभाजन की खोज करने का प्रस्ताव रखते हैं। विशेष रूप से, एक सामान्य अनुकूलन समस्या से व्युत्पन्न दो नवीन मल्टीटास्क क्लस्टरिंग एल्गोरिदम प्रस्तुत किए गए हैं। हमारी प्रयोगात्मक मूल्यांकन, जो सिंथेटिक डेटा और सार्वजनिक रूप से उपलब्ध पहले व्यक्ति दृष्टि डेटा सेट्स पर की गई, यह दिखाती है कि प्रस्तावित दृष्टिकोण कई एकल-कार्य और मल्टीटास्क लर्निंग विधियों से बेहतर है।