典型文献
多聚点子空间下的时空信息融合及其在行为识别中的应用
文献摘要：
基于深度序列的人体行为识别,一般通过提取特征图来提高识别精度,但这类特征图通常存在时序信息缺失的问题.针对上述问题,本文提出了一种新的深度图序列表示方式,即深度时空图(Depth space time maps,DSTM).DSTM降低了特征图的冗余度,弥补了时序信息缺失的问题.本文通过融合空间信息占优的深度运动图(Depth motion maps,DMM)与时序信息占优的DSTM,进行高精度的人体行为研究,并提出了多聚点子空间学习(Multi-center subspace learning,MCSL)的多模态数据融合算法.该算法为各类数据构建多个投影聚点,以此增大样本的类间距离,降低了投影目标区域维度.本文在MSR-Action3D数据集和UTD-MHAD数据集上进行人体行为识别.最后实验结果表明,本文方法相较于现有人体行为识别方法有着较高的识别率.
文献关键词：
行为识别;信息融合;深度时空图;多聚点子空间学习
中图分类号：
作者姓名：
杨天金;侯振杰;李兴;梁久祯;宦娟;郑纪翔
作者机构：
常州大学计算机与人工智能学院阿里云大数据学院软件学院 常州213164;江苏省物联网移动互联技术工程重点实验室 淮安 223003
文献出处：
引用格式：
[1]杨天金;侯振杰;李兴;梁久祯;宦娟;郑纪翔-.多聚点子空间下的时空信息融合及其在行为识别中的应用)[J].自动化学报,2022(11):2823-2835
A类：
深度时空图,DSTM,多聚点子空间学习,MCSL,Action3D
B类：
时空信息融合,度序列,人体行为识别,提取特征,特征图,识别精度,常存,时序信息,信息缺失,深度图,图序列,序列表示,表示方式,Depth,maps,冗余度,空间信息,占优,动图,motion,DMM,Multi,center,subspace,learning,多模态数据融合,融合算法,大样本,类间距离,目标区域,MSR,UTD,MHAD,识别率
AB值：
0.292519
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
