संक्रमण में मानव क्रियाओं की अप्रभंद्धित स्पेक्ट्रल डुअल असाइनमेंट क्लस्टरिंग

हाल के शोध के प्रवृत्तियों ने यह दर्शाया है कि किसी क्रिया से संबंधित संदर्भ जानकारी, जैसे दृश्य या वस्तु, मानव क्रिया पहचान प्रणालियों की सटीकता को कैसे बढ़ा सकती है। हालाँकि, संदर्भ का उपयोग करके अप्रभंद्धित मानव क्रिया क्लस्टरिंग में सुधार करने पर पहले कभी विचार नहीं किया गया है, और इसे मौजूदा क्लस्टरिंग विधियों का उपयोग करके प्राप्त नहीं किया जा सकता। इस समस्या को हल करने के लिए, हम एक नवीन, सामान्य प्रयोजन एल्गोरिदम, डुअल असाइनमेंट के-मींस (DAKM) को प्रस्तुत करते हैं, जो दो सह-घटित क्लस्टरिंग कार्यों को एक साथ करने में अद्वितीय रूप से सक्षम है, जबकि दोनों क्लस्टरिंग को बढ़ाने के लिए सहसंबंध जानकारी का दोहन करता है। इसके अतिरिक्त, हम वास्तविक डेटा पर बेहतर प्रदर्शन के लिए DAKM (SDAKM) का एक स्पेक्ट्रल विस्तार वर्णित करते हैं। सिंथेटिक डेटा और दृश्य संदर्भ के साथ तीन वास्तविक मानव क्रिया डेटा सेट पर व्यापक प्रयोगों ने दिखाया है कि DAKM/SDAKM संदर्भ और दृश्यों के बीच के संबंध को ध्यान में रखते हुए अत्याधुनिक क्लस्टरिंग विधियों को महत्वपूर्ण रूप से पीछे छोड़ सकता है।