文献阅读笔记|文献阅读笔记——Action Recognition with Stacked Fisher Vectors
本文由Xiaojiang Peng发表在计算机视觉顶级国际会议ECCV2014。由标题可以看出作者是利用分层的Fisher Vectors做行为识别。作者的动机是想将特征的维度做高。这种分层的做法近几年比较常见，如 ICRA 2014关于3d点云无监督特征的论文Unsupervised Feature Learning for 3D Scene Labeling，ICRA的这篇论文做了两层的Sparse Coding，在Sparse Coding的基础上做Sparse Coding。
本文框架如图1所示，作者给出了本文基于Fisher Vectors的框架和传统的基于Fisher Vectors的框架不同。本文做了两层的Fisher Coding，在得到底层特征的Fisher Vectors后，在Fisher Vectors的基础上得到新的Fisher Vectors。第二层输出的Fisher Vectors即作者所称的 Stacked Fisher Vectors (SFV)，在做分类时可直接将SFV导入分类器中。作者通过实验验证，将FV同SFV串联起来形成高维特征效果要比单独用FV或者SFV效果更好。小结下本段的意思，SFV是FV上的特征，即关于特征的特征，即中层特征。
文章图片
本文算法
第一层Fisher Vectors 提取 提取第一层的目的是为第二层的Fisher Vectors提供原料。第一层Fisher Vectors 提取就是一般的Fisher Vectors向量提取过程。本文利用的底层特征是iDT。一般的步骤包括：（1）对data set中的iDT特征做PCA whitening；（2）GMM得到K1个高斯模型（3）得到当前图片的中各iDT特征的Fisher Vectors。得到iDT特征的Fisher Vectors后，从视频的W H L空间上各维度上以一定步长采样小方块，本文定义了12种尺度宽高时长的小方块。筛选出轨迹数量大于某一阈值的小方块，累加各小方块中的Fisher Vectors。每个小方块可以得到一个局部累加的Fisher Vector，这些
文章图片
第二层 Fisher Vectors 提取 第二层的 Fisher Vectors 提取类似第一层，原料是第一层小方块对应的 Fisher Vectors 。 Fisher Vectors 维度较高，需要做降维，本文采用的是最大边缘降维法，具体见本文。
文章图片
【文献阅读笔记|文献阅读笔记——Action Recognition with Stacked Fisher Vectors】
推荐阅读
- EffectiveObjective-C2.0|EffectiveObjective-C2.0 笔记 - 第二部分
- 考研英语阅读终极解决方案——阅读理解如何巧拿高分
- Ⅴ爱阅读，亲子互动——打卡第178天
- 上班后阅读开始变成一件奢侈的事
- Android中的AES加密-下
- 历史教学书籍
- 绘本讲师训练营【24期】14/21阅读原创《小黑鱼》
- 21天|21天|M&M《见识》04
- 绘本讲师训练营7期9/21阅读原创《蜗牛屋|绘本讲师训练营7期9/21阅读原创《蜗牛屋 》
- 【读书笔记】贝叶斯原理