本地化多核学习用于视频中逼真的人类动作识别

视频中逼真的人类动作识别一直是一项有用但具有挑战性的任务。 相同动作的视频拍摄可能会在视觉外观,动态模式,视频拍摄和编辑样式方面呈现巨大的类内差异。 视频的异构特征表示对如何有效处理这些特征中的冗余,互补性和异议性提出了另一个挑战。 本文提出了一种本地化的多核学习(L-MKL)算法来解决上述问题。 L-MKL在一个统一的框架中集成了本地化分类器集成学习和多内核学习,以利用两者的优势。 L-MKL的基础是在异构表示的子空间局部上的不同特征上构建多个内核分类器。 L-MKL在本地集成了互补功能的可识别性,并使本地化的MKL分类器能够在其自身的专业领域提供更好的性能。 具体来说,L-MKL开发了一个