We present a framework for the clas

We present a framework for the classification of visual
processes that are best modeled with spatio-temporal autoregressive
models. The new framework combines the
modeling power of a family of models known as dynamic
textures and the generalization guarantees, for classification,
of the support vector machine classifier. This combination
is achieved by the derivation of a new probabilistic
kernel based on the Kullback-Leibler divergence (KL) between
Gauss-Markov processes. In particular, we derive the
KL-kernel for dynamic textures in both 1) the image space,
which describes both the motion and appearance components
of the spatio-temporal process, and 2) the hidden state
space, which describes the temporal component alone. Together,
the two kernels cover a large variety of video classification
problems, including the cases where classes can
differ in both appearance and motion and the cases where
appearance is similar for all classes and only motion is
discriminant. Experimental evaluation on two databases
shows that the new classifier achievessuperior performance
over existing solutions.

ผลลัพธ์ (ไทย) 1:

เรานำเสนอเป็นกรอบสำหรับการจัดประเภทของ visualสร้างแบบจำลองกระบวนการที่ดีสุดกับ autoregressive spatio ชั่วคราวรูปแบบจำลอง รวมกรอบใหม่โมเดลของครอบครัวรุ่นที่เป็นแบบไดนามิกพื้นผิวและ generalization การรับประกัน การจัดของ classifier เครื่องเวกเตอร์สนับสนุน ชุดนี้สามารถทำได้ โดยการมาของใหม่ probabilisticเคอร์เนลที่ใช้ระหว่าง Kullback-Leibler divergence (KL)เกาส์-Markov กระบวนการ โดยเฉพาะอย่างยิ่ง เราได้รับการKL-kernel สำหรับพื้นผิวแบบไดนามิกในทั้ง 1) พื้นที่รูปซึ่งอธิบายถึงการเคลื่อนไหวและลักษณะส่วนประกอบกระบวนการ spatio ขมับ และ 2) สถานะซ่อนไว้พื้นที่ ซึ่งอธิบายถึงส่วนประกอบชั่วคราวเพียงอย่างเดียว ร่วมกันเมล็ดสองครอบคลุมหลากหลายประเภทวิดีโอปัญหา รวมทั้งกรณีที่เรียนสามารถแตกต่างกันทั้งลักษณะ และการเคลื่อนไหว และกรณีที่ลักษณะคล้ายการเรียนทั้งหมด และเคลื่อนไหวเท่านั้นdiscriminant ทดลองประเมินบนฐานข้อมูลที่สองแสดงให้เห็นว่าประสิทธิภาพ achievessuperior classifier ใหม่กว่าโซลูชั่นที่มีอยู่

ผลลัพธ์ (ไทย) 2:

เรานำเสนอกรอบสำหรับการจัดหมวดหมู่ของภาพ
กระบวนการที่เป็นรูปแบบที่ดีที่สุดกับอัต spatio กาล
รุ่น กรอบการทำงานใหม่รวม
พลังสร้างแบบจำลองของครอบครัวของรูปแบบที่เรียกว่าแบบไดนามิก
และการค้ำประกันพื้นผิวทั่วไปสำหรับการจัดหมวดหมู่
ของการสนับสนุนลักษณนามเครื่องเวกเตอร์ ชุดนี้
จะทำได้โดยที่มาของความน่าจะเป็นใหม่
เคอร์เนลอยู่บนพื้นฐานของความแตกต่าง Kullback-Leibler (KL) ระหว่าง
กระบวนการ Gauss-มาร์คอฟ โดยเฉพาะอย่างยิ่งที่เราได้รับมา
KL-เคอร์เนลสำหรับพื้นผิวแบบไดนามิกในทั้ง 1) พื้นที่ภาพ
ซึ่งจะอธิบายทั้งการเคลื่อนไหวและส่วนประกอบลักษณะ
ของกระบวนการ spatio กาลและ 2) รัฐซ่อน
พื้นที่ซึ่งอธิบายองค์ประกอบชั่วคนเดียว ร่วมกัน
ทั้งสองเมล็ดครอบคลุมความหลากหลายของการจัดหมวดหมู่วิดีโอ
ปัญหารวมทั้งกรณีที่เรียนสามารถ
ที่แตกต่างกันทั้งในลักษณะและการเคลื่อนไหวและกรณีที่
เป็นลักษณะที่คล้ายกันสำหรับทุกชนชั้นและการเคลื่อนไหวเพียงอย่างเดียวคือ
จำแนก การประเมินผลการทดลองในสองฐานข้อมูล
แสดงให้เห็นว่าลักษณนามใหม่ achievessuperior ประสิทธิภาพ
มากกว่าการแก้ปัญหาที่มีอยู่

ผลลัพธ์ (ไทย) 3:

เรานำเสนอแนวคิดในการจำแนกภาพ
กระบวนการที่ดีที่สุดที่ออกแบบด้วยวิธี
โมเดลเชิงพื้นที่และเวลา . กรอบใหม่รวม
แบบพลังของครอบครัวของโมเดลที่รู้จักกันเป็นลวดลายแบบไดนามิก
และการค้ำประกัน สำหรับข้อมูล
ของสนับสนุนเวกเตอร์เครื่องจักรลักษณนาม นี้ได้โดยการรวมกัน

การใหม่ของเมล็ดข้าวตามคัลแบ็กลี๊บเลอร์ความแตกต่าง ( KL ) ระหว่าง
เกาส์มาร์คอฟกระบวนการ โดยเฉพาะ เรารับ
เคอร์เนล KL แบบพลวัตสำหรับพื้นผิวทั้ง 1 ) พื้นที่ภาพ
ซึ่งอธิบายทั้งการเคลื่อนไหวและลักษณะส่วนประกอบ
ของกระบวนการเชิงพื้นที่และเวลา และ 2 ) ซ่อนสถานะ
พื้นที่ซึ่งอธิบายเกี่ยวกับองค์ประกอบเพียงอย่างเดียว ด้วยกัน
สองเมล็ดที่ครอบคลุมหลากหลายของปัญหาการจำแนก
วิดีโอ รวมถึงกรณีที่เรียนสามารถ
แตกต่างกันทั้งลักษณะและการเคลื่อนไหวและลักษณะคล้ายกับกรณีที่
ทุกชั้นและเคลื่อนไหว
จำแนก ทดลองประเมินสองแสดงฐานข้อมูล
ที่ achievessuperior ประสิทธิภาพมากกว่าโซลูชั่นแบบใหม่

)