행동을 시공간 관심 포인트의 구름으로 인식하기

최근 행동 인식 연구의 대부분은 Bag of Words (BOW) 표현을 사용하여 비디오에서 추출된 시공간 관심 포인트를 기반으로 하고 있습니다. 이는 주로 개별 지역 시공간 설명자의 구별력에 의존하며, 관심 포인트의 전역 시공간 분포에 대한 잠재적으로 가치 있는 정보를 무시합니다. 본 논문에서는 이전의 관심 포인트 기반 접근 방식과는 달리 관심 포인트의 전역 시공간 분포만을 활용하는 새로운 행동 인식 접근 방식을 제안합니다. 이는 여러 시간 규모에 걸쳐 축적된 관심 포인트의 구름에서 전체적인 특징을 추출하고 자동 특징 선택을 통해 달성됩니다. 우리의 접근 방식은 최적의 시공간 설명자를 선택하고 코드북을 구성하기 위한 클러스터링 알고리즘 및 이전 관심 포인트 기반 방법이 직면한 코드북 크기 선택과 같은 비트리ivial한 문제를 피합니다. 우리의 모델은 부드러운 움직임을 포착하며, 낮은 계산 비용에서 뷰 변화와 폐쇄에도 강인합니다. KTH 및 WEIZMANN 데이터셋을 이용한 실험은 우리의 접근 방식이 대부분의 기존 방법보다 우수함을 보여줍니다.