दृश्य-अविवर्तक क्रिया पहचान के लिए छिपी मल्टीटास्क लर्निंग

यह पेपर दृश्य-अविवर्तक क्रिया पहचान के लिए एक दृष्टिकोण प्रस्तुत करता है, जहां मानव मुद्रा और गति विभिन्न कैमरा दृष्टिकोणों के बीच बड़ी भिन्नताएँ प्रदर्शित करती हैं। जब क्रिया वर्गों के दिए गए सेट के प्रत्येक दृष्टिकोण को एक लर्निंग टास्क के रूप में निर्दिष्ट किया जाता है, तो मल्टीटास्क लर्निंग दृश्य अविवर्तन को पहचानने के लिए उपयुक्त प्रतीत होता है। हम मानक मल्टीटास्क लर्निंग का विस्तार करते हैं ताकि यह पहचानने की अनुमति मिल सके: (1) क्रिया दृश्यों के छिपे समूह (यानी, कार्य), और (2) भेदक क्रिया भाग, सभी कार्यों का संयुक्त लर्निंग भी किया जाता है। इसका कारण यह है कि यह अपेक्षित करना उचित लगता है कि कुछ विशिष्ट दृश्य दूसरों की तुलना में अधिक सहसंवाहक होते हैं, और इस प्रकार सहसंवाहक दृश्य पहचान में सुधार कर सकते हैं। इसके अलावा, भाग-आधारित मॉडलिंग से विभिन्न दृश्यों से चित्रित किए जाने पर आत्म-हिंदोलीकरण के खिलाफ मजबूती में सुधार होने की उम्मीद है। बेंचमार्क डेटासेट्स पर परिणाम दर्शाते हैं कि हम मानक मल्टीटास्क लर्निंग को 21.9% से पीछे छोड़ते हैं, और अत्याधुनिक विकल्पों को 4.5-6% से।