Grassmann流形上学习匹配核的动作识别方法

"在《IEEE Transactions on Image Processing》2019年1月第28卷第1期的‘在Grassmann流形上学习比赛核以进行动作识别’(Learning Match Kernels on Grassmann Manifolds for Action Recognition)这篇研究论文中，作者Lei Zhang, Xiantong Zhen, Ling Shao (IEEE高级会员) 和 Jingkuan Song提出了一个新的动作识别方法。" 文章主要介绍了动作识别在计算机视觉领域的核心问题，即如何有效地建模动作并计算它们之间的相似性。为解决这一挑战，作者创新性地提出在Grassmann流形上学习动作间的匹配核。Grassmann流形是一种用来表示线性子空间的数学结构，特别适合处理具有时序动态的数据，如视频中的动作。 具体来说，他们将动作建模为在Grassmann流形上的线性子空间。这个子空间由语义视频剪辑中帧上的卷积神经网络（CNN）特征向量集合构成，这些特征向量能够捕捉到局部判别模式和运动的时间变化。为衡量动作间的相似性，作者引入了基于线性子空间典型相关性的Grassmann匹配核(GMK)。GMK能直接对视频进行匹配，从而实现动作识别。这种方法通过监督学习优化内核目标，以增强不同类别动作之间的区分能力。 该文提出的方法结合了CNN的强大特征提取能力和核方法的相似性度量优势，构建了一个通用的学习框架，适用于动作识别的匹配核学习。为了验证方法的有效性，作者在五个具有挑战性的现实数据集——包括YouTube、UCF50、UCF101、Penn Action和HMDB51上进行了广泛实验，结果显示，所提方法表现出高精度，并显著优于现有最新算法。 这篇研究论文提出了一种新颖的Grassmann流形上的匹配核学习策略，为动作识别提供了一种有效且有潜力的方法，展示了在复杂视频数据中理解人类行为的先进思路。