We evaluate alternative methods for

We evaluate alternative methods for action retrieval from scripts and show benefits of a text-based classifier. Using the retrieved action samples for visual learning, we next turn to the problem of action classification in video. We present a new method for video classification that builds upon and extends several recent ideas including local space-time features, space-time pyramids and multichannel non-linear SVMs. The method is shown to improve state-of-the-art results on the standard KTH action dataset by achieving 91.8% accuracy. Given the inherent problem of noisy labels in automatic annotation, we particularly investigate and show high tolerance of our method to annotation errors in the training set. We finally apply the method to learning and classifying challenging action classes in movies and show promising results. 1. Introduction In the last decade the field of visual recognition had an outstanding evolution from classifying instances of toy objects towards recognizing the classes of objects and scenes in natural images. Much of this progress has been sparked by the creation of realistic image datasets as well as by the new, robust methods for image description and classification. We take inspiration from this progress and aim to transfer previous experience to the domain of video recognition and the recognition of human actions in particular. Existing datasets for human action recognition (e.g. [15], see figure 8) provide samples for only a few action classes recorded in controlled and simplified settings. This stands in sharp contrast with the demands of real applications focused on natural video with human actions subjected to inFigure 1. Realistic samples for three classes of human actions: kissing; answering a phone; getting out of a car. All samples have been automatically retrieved from script-aligned movies. dividual variations of people in expression, posture, motion and clothing; perspective effects and camera motions; illumination variations; occlusions and variation in scene surroundings. In this paper we address limitations of curren

ผลลัพธ์ (ไทย) 1:

เราประเมินวิธีอื่นสำหรับการเรียกการดำเนินการจากสคริปต์ และแสดงประโยชน์ของ classifier ที่ข้อ ใช้ตัวอย่างการดึงข้อมูลสำหรับแสดงผลการเรียนรู้ เราถัดไปเปิดการจัดประเภทการดำเนินการในวิดีโอ เรานำเสนอวิธีการใหม่ในการจัดประเภทวิดีโอที่สร้างขึ้น และขยายความคิดล่าสุดหลายที่รวมทั้งคุณลักษณะเฉพาะ space-time, space-time ปีระมิด และ SVMs แบบไม่เชิงเส้น แสดงวิธีการปรับปรุงผลลัพธ์รัฐ-of-the-art บนชุดข้อมูลมาตรฐาน KTH ดำเนินบรรลุ 91.8% ความถูกต้อง กำหนดปัญหาโดยธรรมชาติของป้ายคะในคำอธิบายโดยอัตโนมัติ เราโดยเฉพาะอย่างยิ่งตรวจสอบ และแสดงสูงค่าเผื่อวิธีของเราในคำอธิบายข้อผิดพลาดในชุดฝึกอบรมด้วย เราก็ใช้วิธีการเรียน และท้าทายการดำเนินการสอนในภาพยนตร์ประเภท และแสดงแนวโน้มผล 1. แนะนำในด้านการรับรู้ภาพมีวิวัฒนาการโดดเด่นจากการจัดประเภทของของเล่นในทศวรรษวัตถุต่อการจดจำประเภทของวัตถุและฉากในภาพธรรมชาติ มากของความก้าวหน้านี้ได้ถูกจุดประกาย โดยการสร้างของ datasets รูปจริง เป็นวิธีการใหม่ แข็งแกร่งสำหรับภาพคำอธิบายและจัดประเภท เราใช้แรงบันดาลใจจากนี้ความก้าวหน้า และมุ่งมั่นที่จะถ่ายโอนประสบการณ์ก่อนหน้านี้ในโดเมนของการแสดงผลและการรับรู้การกระทำของมนุษย์โดยเฉพาะ Datasets ที่มีอยู่สำหรับการรับรู้ของมนุษย์ (เช่น [15], ดูรูป 8) ตัวอย่างสำหรับบันทึกเพียงไม่กี่ดำเนินการสอนในการควบคุม และประยุกต์การตั้งค่า นี้หมายถึงในความคมชัดคมชัดกับความต้องการของการใช้งานจริงเน้นวิดีโอธรรมชาติกับมนุษย์การดำเนินการ inFigure 1 ตัวอย่างสมจริงสำหรับชั้นสามของมนุษย์ดำเนินการ: จูบ ตอบโทรศัพท์ เดินทางออกจากรถ ดึงตัวอย่างทั้งหมดจากภาพยนตร์สคริปต์จัดตำแหน่งโดยอัตโนมัติ dividual การเปลี่ยนแปลงของคนในนิพจน์ ท่าทาง การเคลื่อนไหว และเสื้อ ผ้า ลักษณะมุมมองและกล้องเคลื่อนไหว รูปแบบรัศมี occlusions และการเปลี่ยนแปลงในสภาพแวดล้อมของฉาก ในเอกสารนี้ เราข้อจำกัดของ curren

ผลลัพธ์ (ไทย) 2:

เราจะประเมินวิธีการทางเลือกสำหรับการเรียกการกระทำจากสคริปต์และผลประโยชน์แสดงของลักษณนามข้อความ ใช้ตัวอย่างการกระทำที่ดึงมาสำหรับการเรียนรู้ภาพที่เราเปิดต่อไปในการแก้ไขปัญหาการจัดหมวดหมู่การกระทำในวิดีโอ เรานำเสนอวิธีการใหม่สำหรับการจัดหมวดหมู่วิดีโอที่สร้างขึ้นและขยายความคิดที่ผ่านมาหลายคนรวมทั้งคุณสมบัติพื้นที่เวลาท้องถิ่นปิรามิดพื้นที่เวลาและหลายช่อง SVMs ไม่เชิงเส้น วิธีการแสดงให้เห็นว่าการปรับปรุงผลการรัฐของศิลปะในชุดข้อมูลที่ดำเนินการ KTH มาตรฐานการบรรลุความถูกต้อง 91.8% ได้รับปัญหาที่เกิดขึ้นโดยธรรมชาติของป้ายที่มีเสียงดังในคำอธิบายประกอบอัตโนมัติเราโดยเฉพาะอย่างยิ่งในการตรวจสอบและแสดงความอดทนสูงของวิธีการของเราที่จะมีข้อผิดพลาดคำอธิบายประกอบในชุดการฝึกอบรม ในที่สุดเราก็ใช้วิธีการที่จะเรียนรู้และการเรียนการแบ่งประเภทของการกระทำที่ท้าทายในภาพยนตร์และแสดงผลที่มีแนวโน้ม 1. บทนำในทศวรรษที่ผ่านมาด้านการรับรู้ภาพมีวิวัฒนาการที่โดดเด่นจากการจำแนกกรณีของวัตถุของเล่นที่มีต่อการรับรู้ในชั้นเรียนของวัตถุและฉากในภาพที่เป็นธรรมชาติ มากของความคืบหน้านี้ได้รับการจุดประกายโดยการสร้างชุดข้อมูลภาพที่เหมือนจริงเช่นเดียวกับใหม่วิธีการที่มีประสิทธิภาพสำหรับรายละเอียดภาพและการจัดหมวดหมู่ เรามีแรงบันดาลใจจากความคืบหน้านี้และมุ่งมั่นที่จะถ่ายโอนประสบการณ์ที่ผ่านมากับโดเมนของการรับรู้วิดีโอและการรับรู้การกระทำของมนุษย์โดยเฉพาะอย่างยิ่ง ชุดข้อมูลที่มีอยู่สำหรับการรับรู้การกระทำของมนุษย์ (เช่น [15] โปรดดูรูปที่ 8) ให้ตัวอย่างเพียงไม่กี่ชั้นเรียนดำเนินการบันทึกไว้ในการตั้งค่าการควบคุมและเรียบง่าย นี้ยืนในคมชัดกับความต้องการของการใช้งานจริงที่มุ่งเน้นการวิดีโอธรรมชาติที่มีการกระทำของมนุษย์ภายใต้การ inFigure 1. ตัวอย่างจริงสำหรับสามชั้นเรียนของการกระทำของมนุษย์: จูบ; ตอบโทรศัพท์; เดินทางออกจากรถ ตัวอย่างทั้งหมดได้รับการดึงมาโดยอัตโนมัติจากภาพยนตร์สคริปต์ชิด dividual รูปแบบของผู้คนในการแสดงออกท่าทางการเคลื่อนไหวและเสื้อผ้า ผลกระทบที่มุมมองและการเคลื่อนไหวกล้อง; รูปแบบการส่องสว่าง; occlusions และการเปลี่ยนแปลงในสภาพแวดล้อมที่เกิดเหตุ ในบทความนี้เราอยู่ที่ข้อ จำกัด ของ Curren

ผลลัพธ์ (ไทย) 3:

เราประเมินวิธีการทางเลือกสำหรับการดึงข้อมูลจากสคริปต์และแสดงผลประโยชน์ของข้อความลักษณนาม ใช้เรียกการกระทำตัวอย่างภาพการเรียนรู้ เราต่อไป ถึงปัญหาการกระทำของการจำแนกในวิดีโอ เราเสนอวิธีการใหม่สำหรับวิดีโอประเภทที่สร้างขึ้น และขยายแนวคิดล่าสุดหลายรวมทั้งคุณลักษณะเวลาท้องถิ่นปิรามิดกาล- อวกาศและหลายช่องแบบไม่เป็นเชิงเส้น . วิธีการแสดงเพื่อปรับปรุงผลลัพธ์ของการกระทำบนมาตรฐาน kth DataSet โดยบรรลุความถูกต้องพบท % ระบุปัญหาที่แท้จริงของอึกทึกป้ายในหมายเหตุอัตโนมัติ โดยเฉพาะอย่างยิ่งเราตรวจสอบและแสดงความอดทนสูงของวิธีการของเราในการจัดการข้อผิดพลาดในการตั้งค่าเราก็ใช้วิธีเรียนรู้และจัดชั้นเรียนการท้าทายในการดูหนังและแสดงผลลัพธ์ที่มีแนวโน้ม 1 . แนะนำในทศวรรษที่ผ่านมาเขตของการรับรู้ภาพ มีการวิวัฒนาการที่โดดเด่นจากกลุ่มอินสแตนซ์ของวัตถุของเล่นต่อการจดคลาสของวัตถุและฉากภาพธรรมชาติมากของความก้าวหน้านี้ได้รับการจุดประกายโดยการสร้างข้อมูลภาพมีเหตุผลเช่นเดียวกับใหม่ , วิธีการที่แข็งแกร่งสำหรับรายละเอียดภาพและการจำแนก เราใช้แรงบันดาลใจจากความก้าวหน้าและมุ่งมั่นที่จะถ่ายทอดประสบการณ์ก่อนหน้านี้กับโดเมนของการรับรู้ภาพและการรับรู้ของมนุษย์ การกระทำโดยเฉพาะใน ข้อมูลที่มีอยู่สำหรับการยอมรับการกระทำของมนุษย์ ( เช่น [ 15 ]ดูรูปที่ 8 ) ให้ตัวอย่างเพียงไม่กี่ชั้นเรียนการบันทึกควบคุมและง่ายในการตั้งค่า แห่งนี้ตั้งอยู่ในคมชัดกับความต้องการของการใช้งานจริง เน้นภาพธรรมชาติกับการกระทําของมนุษย์ภายใต้ infigure 1 อย่างมีเหตุผลสามประเภทของการกระทำของมนุษย์ : จูบ ; การตอบโทรศัพท์ รับมาจากในรถตัวอย่างทั้งหมดได้โดยอัตโนมัติดึงข้อมูลจากสคริปต์ชิดภาพยนตร์ การเปลี่ยนแปลง dividual ของประชาชนในการแสดงออก ท่าทาง การเคลื่อนไหว และเสื้อผ้า ผลกระทบต่อมุมมองและการเคลื่อนไหวกล้อง รัศมีการเปลี่ยนแปลง ; occlusions และการเปลี่ยนแปลงในสภาพแวดล้อมที่ฉาก ในกระดาษนี้เราแก้ไขข้อจำกัดของ curren