मध्यम स्तर के वीडियो प्रदर्शनों से विवेचनात्मक कार्य भागों की खोज

हम क्रिया पहचान के लिए एक मध्य-स्तरीय दृष्टिकोण का वर्णन करते हैं। एक इनपुट वीडियो से, हम गतिशीलता के क्लस्टर बना कर महत्वपूर्ण स्पेशियो-टेम्पोरल संरचनाएँ निकालते हैं जो क्रिया के भागों के लिए उम्मीदवार के रूप में कार्य करती हैं। इन क्लस्टरों का एक क्रिया वर्ग में संयोजन एक ग्राफिकल मॉडल द्वारा शासित होता है जो व्यक्तिगत भागों के लिए दृश्य और गति प्रतिबंधों और उनके बीच स्पेशियो-टेम्पोरल निर्भरताओं के लिए युग्मन प्रतिबंधों को शामिल करता है। प्रशिक्षण के दौरान, हम विवेचनात्मक रूप से मॉडल पैरामीटर का अनुमान लगाते हैं। वर्गीकरण के दौरान, हम अस्थायी ऑप्टिमाइजेशन का उपयोग करके वीडियो के साथ मॉडल को प्रभावी रूप से मेल खाते हैं। हम मानक बेंचमार्क डेटा सेट में मॉडल की वर्गीकरण क्षमता को मान्य करते हैं और यह दर्शाते हैं कि यह न केवल एक वीडियो को लेबल देने में, बल्कि इसके घटक भागों की पहचान और स्थानीयकरण करने में संभावनाएँ प्रस्तुत करता है।