인간 동작 검색은 많은 동작 데이터 기반 응용 프로그램에서 중요한 역할을 합니다. 과거에는 많은 연구자들이 데이터 표현으로 단일 유형의 시각적 특징을 사용하는 경향이 있었습니다. 서로 다른 시각적 특징은 동작 데이터에 대한 서로 다른 측면을 설명하며, 특정 인간 동작 클래스에 대해 불일치한 구별력을 가지기 때문에 검색 성능이 저하되었습니다. 따라서 동작 데이터 표현을 위해 여러 시각적 특징을 결합하는 것이 유익할 것입니다. 이 기사에서는 인간 동작 검색을 위한 적응형 다중 뷰 특징 선택 방법(AMFS)을 소개합니다. 구체적으로, 우리는 먼저 지역 선형 회귀 모델을 사용하여 동작 데이터의 지역 기하학적 구조를 보존하기 위해 자동으로 다중 뷰 기반 라플라시안 그래프를 학습합니다. 그런 다음 이러한 그래프는 서로 다른 특징 간의 보완 정보를 활용하기 위해 비부정적 뷰 가중치 벡터와 함께 결합됩니다. 마지막으로, 원래의 고차원 특징 표현에서 중복되고 관련 없는 특징 구성 요소를 제거하기 위해 AMFS의 목표 함수를 일반적인 자취 비율 최적화 문제로 공식화하고, 해당 최적화 문제를 해결하기 위한 효과적인 알고리즘을 설계합니다. HDM05와 MSR Action3D라는 두 개의 공공 인간 동작 데이터베이스에서의 광범위한 실험은 제안된 AMFS가 동작 데이터 검색을 위한 최신 방법들보다 더 효과적임을 보여줍니다. 대규모 동작 데이터셋에 대한 확장성과 알고리즘 매개변수에 대한 비감도는 우리의 방법이 실제 응용 프로그램에서 널리 사용될 수 있도록 만듭니다.
Wang et al. (수요일)은 이 질문을 연구했습니다.