بازشناسي كاراي كنش‌هاي انساني با محدود كردن فضاي جستجو در روش‌هاي يادگيري عميق

كارايي سيستم‌هاي بازشناسي كنش‌هاي انساني به استخراج بازنمايي مناسب از داده‌هاي ويدئويي وابسته است. در سال‌هاي اخير روش‌هاي يادگيري عميق به منظور استخراج بازنمايي فضايي زماني كارا از داده‌هاي ويدئويي ارائه شده‌ است، در حالي كه روش‌هاي يادگيري عميق در توسعه بعد زمان، پيچيدگي محاسباتي بالايي دارند. همچنين پراكندگي و محدودبودن داده‌هاي تمايزي و عوامل نويزي زياد، مشكلات محاسباتي بازنمايي كنش‌ها را شديدتر ساخته و قدرت تمايز را محدود مي‌نمايد. در اين مقاله، شبكه‌هاي يادگيري عميق فضايي و زماني با افزودن سازوكارهاي انتخاب ويژگي مناسب جهت مقابله با عوامل نويزي و كوچك‌سازي فضاي جستجو، ارتقا يافته‌اند. در اين راستا، سازوكارهاي انتخاب ويژگي غير برخط و برخط، براي بازشناسي كنش‌هاي انساني با پيچيدگي محاسباتي كمتر و قدرت تمايز بالاتر مورد بررسي قرار گرفته است. نتايج نشان داد كه سازوكار انتخاب ويژگي غير برخط، منجر به كاهش پيچيدگي محاسباتي قابل ملاحظه مي‌گردد و سازوكار انتخاب ويژگي برخط، ضمن كنترل پيچيدگي محاسباتي، منجر به افزايش قدرت تمايز مي‌شود.