Resumen

Reconocer acciones humanas en videos es un tema activo con amplio potencial comercial. La mayoría de los métodos existentes de reconocimiento de acciones se supone que tienen la misma vista de cámara tanto durante el entrenamiento como durante las pruebas. Por lo tanto, el rendimiento de estos enfoques de vista única puede estar severamente influenciado por el movimiento de la cámara y la variación de puntos de vista. En este documento, abordamos el problema anterior utilizando videos grabados simultáneamente desde múltiples vistas. Con este fin, proponemos un marco de aprendizaje basado en bosques aleatorios multitarea para explotar una representación discriminativa de nivel medio para videos de múltiples cámaras. En el primer paso, se extraen subvolúmenes de figuras continuas centradas en humanos de los videos originales. En el siguiente paso, los cuboides espacio-temporales muestreados de estos subvolúmenes son caracterizados por múltiples descriptores de bajo nivel. Luego, se construye un conjunto de bosques aleatorios multitarea sobre cuboides multivista m

• Materias:Comprensión de imágenes Inteligencia artificial Detección de manipulaciones Visión artificial Imágenes espaciales
• Subjects:Image understanding Artificial intelligence Manipulation detection Artificial vision Spatial imaging
• Palabras claves:Acciones; Videos; Métodos de reconocimiento; Movimiento de cámara; Puntos de vista; Bosque aleatorio multitarea
• Keywords:Actions; Videos; Recognition methods; Camera movement; Viewpoints; Multitask random forest