Human action recognition by Grassmann manifold learning
Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: English
View: 678
متن کامل این Paper منتشر نشده است و فقط به صورت چکیده یا چکیده مبسوط در پایگاه موجود می باشد.
توضیح: معمولا کلیه مقالاتی که کمتر از ۵ صفحه باشند در پایگاه سیویلیکا اصل Paper (فول تکست) محسوب نمی شوند و فقط کاربران عضو بدون کسر اعتبار می توانند فایل آنها را دریافت نمایند.
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICMVIP09_030
تاریخ نمایه سازی: 6 اسفند 1395
Abstract:
In this paper, a kernelized Grassmannian manifold learning method base on new definitions of geodesic distance and manifold graph is proposed to increase inter-class separation and intra-class compactness in human action recognition. Chordal infinite-norm is used to calculate the geodesic distance between subspaces which leads to more inter-class separation. ARMA method is used to describe the spatial-temporal information of the action video. Between-class and within-class similarity graphs are used to map data in a new space. New definition of between class separation graph leads to more separation in the mapped space. The MSR 3D action dataset is used to evaluate the proposed method. The experimental results show robustness of the proposed method
Keywords:
Authors
Sahere Rahimi
Faculty of Electrical and Computer Engineering, Babol University of Technology, Babol, Iran
Ali Aghagolzadeh
Faculty of Electrical and Computer Engineering, Babol University of Technology, Babol, Iran
Mehdi Ezoji
Faculty of Electrical and Computer Engineering, Babol University of Technology, Babol, Iran
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :