Learning to Recognize Human Activit

Learning to Recognize Human Activities using Soft Labels
Human activity recognition system is of great importance in robot-care scenarios. Typically, training such a system requires activity labels to be both completely and accurately annotated. In this paper, we go beyond such restriction and propose a learning method that allow labels to be incomplete and uncertain. We introduce the idea of soft labels which allows annotators to assign multiple, and weighted labels to data segments. This is very useful in many situations, e.g., when the labels are uncertain, when part of the labels are missing, or when multiple annotators assign inconsistent labels. We formulate the activity recognition task as a sequential labeling problem. Latent variables are embedded in the model in order to exploit sub-level semantics for better estimation. We propose a max-margin framework which incorporate soft labels for learning the model parameters. The model is evaluated on two challenging datasets. To simulate the uncertainty in data annotation, we randomly change the labels for transition segments. The results show significant improvement over the state-of-the-art approach.

ผลลัพธ์ (ไทย) 1:

เรียนรู้ที่จะจดจำกิจกรรมของมนุษย์โดยใช้ป้ายชื่อนุ่มระบบกิจกรรมของมนุษย์มีความสำคัญมากในสถานการณ์หุ่นยนต์ดูแล โดยทั่วไป การฝึกอบรมระบบดังกล่าวต้องป้ายกิจกรรมได้อย่างสมบูรณ์ และถูกต้องประกอบ ในกระดาษนี้ เราไปนอกเหนือจากข้อจำกัดดังกล่าว และเสนอวิธีการเรียนรู้ที่ทำให้ฉลากจะไม่แน่นอน และไม่สมบูรณ์ เราแนะนำความคิดของป้ายชื่อที่นุ่มนวลซึ่งช่วยให้ annotators การกำหนดหลาย และถ่วงน้ำหนักข้อมูลป้าย นี้เป็นประโยชน์อย่างมากในหลาย ๆ สถานการณ์ เช่น เมื่อป้ายไม่แน่ใจ เมื่อเป็นส่วนหนึ่งของป้ายชื่อหายไป หรือหลาย annotators กำหนดป้ายชื่อไม่สอดคล้องกัน เราสามารถกำหนดกิจกรรมการรู้งานเป็นปัญหาติดฉลากตามลำดับ ตัวแปรแฝงฝังอยู่ในรูปแบบเพื่อใช้ประโยชน์จากความหมายของระดับย่อยสำหรับการประเมินที่ดีกว่า เราเสนอกรอบกำไรสูงสุดซึ่งรวมป้ายนุ่มสำหรับพารามิเตอร์รูปแบบการเรียนรู้ แบบจำลองจะถูกประเมินใน datasets สองท้าทาย การจำลองความไม่แน่นอนในคำอธิบายข้อมูล เราสุ่มเปลี่ยนป้ายชื่อสำหรับการเปลี่ยนเซ็กเมนต์ ผลลัพธ์แสดงการปรับปรุงที่สำคัญกว่าวิธีการของศิลปะ

ผลลัพธ์ (ไทย) 2:

เรียนรู้ที่จะยอมรับการกระทำของมนุษย์โดยใช้ซอฟท์ฉลาก
ระบบการรับรู้กิจกรรมของมนุษย์ที่มีความสำคัญมากในสถานการณ์หุ่นยนต์ดูแล โดยปกติแล้วการฝึกอบรมระบบดังกล่าวต้องมีป้ายชื่อกิจกรรมที่จะเป็นทั้งสองอย่างสมบูรณ์และถูกต้องมีคำอธิบายประกอบ ในบทความนี้เราจะไปได้ไกลกว่าข้อ จำกัด ดังกล่าวและนำเสนอวิธีการเรียนรู้ที่ช่วยให้ป้ายที่จะไม่สมบูรณ์และมีความไม่แน่นอน เราแนะนำความคิดของป้ายอ่อนซึ่งจะช่วยให้การกำหนด annotators หลายและป้ายถ่วงน้ำหนักกับกลุ่มข้อมูล นี้จะเป็นประโยชน์อย่างมากในหลาย ๆ สถานการณ์เช่นเมื่อป้ายมีความไม่แน่นอนเมื่อเป็นส่วนหนึ่งของฉลากจะหายไปหรือเมื่อหลาย annotators กำหนดฉลากที่ไม่สอดคล้องกัน เรากำหนดงานที่ได้รับการยอมรับกิจกรรมเป็นปัญหาการติดฉลากตามลำดับ ตัวแปรแฝงฝังอยู่ในรูปแบบเพื่อที่จะใช้ประโยชน์จากความหมายระดับย่อยสำหรับการประมาณที่ดีกว่า เราเสนอกรอบการทำงานสูงสุดที่มีอัตรากำไรซึ่งรวมป้ายนุ่มสำหรับการเรียนรู้พารามิเตอร์แบบ รูปแบบการประเมินในสองชุดข้อมูลที่ท้าทาย เพื่อจำลองความไม่แน่นอนในคำอธิบายประกอบข้อมูลที่เราสุ่มเปลี่ยนป้ายชื่อสำหรับกลุ่มการเปลี่ยนแปลง ผลที่ได้แสดงการปรับปรุงที่สำคัญกว่าวิธีการที่รัฐของศิลปะ

ผลลัพธ์ (ไทย) 3:

เรียนรู้ที่จะรู้จักกิจกรรมของมนุษย์โดยใช้ป้ายนุ่มระบบการรับรู้กิจกรรมของมนุษย์มีความสําคัญมากในสถานการณ์การดูแลหุ่นยนต์ โดยทั่วไป การฝึกอบรม ระบบดังกล่าวต้องมีป้ายกิจกรรมมีทั้งสมบูรณ์และถูกต้องบันทึกย่อ . ในกระดาษนี้เราไปไกลเกินกว่าข้อ จำกัด ดังกล่าว และเสนอวิธีการเรียนรู้ที่อนุญาตให้ป้ายจะไม่สมบูรณ์ และไม่แน่นอน เราแนะนำความคิดของป้ายนุ่มซึ่งช่วยให้ annotators มอบหมายหลายและหนักป้ายกลุ่มข้อมูล นี้เป็นประโยชน์อย่างมากในสถานการณ์มากมาย เช่น เมื่อมีป้ายชื่อที่ไม่แน่นอน เมื่อส่วนหนึ่งของป้ายจะหายไป หรือ เมื่อหลาย annotators กำหนดป้ายชื่อไม่สอดคล้องกัน เราสร้างกิจกรรมงานเป็นลำดับเพื่อรับรู้ปัญหา ตัวแปรแฝงฝังอยู่ในรุ่นเพื่อที่จะใช้ประโยชน์จากซับระดับความหมายดีประมาณ เรานำเสนอ แม็กซ์ขอบกรอบซึ่งรวมป้ายนุ่มเพื่อการเรียนรู้รูปแบบพารามิเตอร์ แบบประเมินสองท้าทายชุดข้อมูล ในการจำลองความไม่แน่นอนในการจัดการข้อมูล เราสุ่มเปลี่ยนป้ายชื่อสำหรับกลุ่มการเปลี่ยนแปลง ผลลัพธ์ที่สำคัญกว่าวิธีการแสดงการปรับปรุงล่าสุด