Regroupement d'Activités de la Main Non-étiquetées
Résumé
We propose in this paper a new approach based on unsupervised domain adaptation (UDA) for 3D skeleton hand activity clustering. It aims at exploiting the knowledge-driven from labeled samples of the source domain to categorize the unlabeled ones of the target domain. To this end, we introduce a novel metric learning-based loss function to learn a highly discriminative representation while preserving a good activity recognition accuracy on the source domain. The learned representation is used as a low-level manifold to cluster unlabeled samples. In addition, to ensure the best clustering results, we proposed a statistical and consensus-clustering-based strategy. The proposed approach is experimented on the real-world FPHA data set.
Nous proposons, dans cet article, une nouvelle approche qui utilise l'adaptation de domaine non supervisée (UDA) pour le regroupement d'activités de la main non étiquetées, c'est à dire le regroupement d'activités similaires dans des groupes distincts. L'approche proposée vise à exploiter les connaissances tirées des échantillons étiquetés du domaine source pour catégoriser les échantillons non étiquetés du domaine cible. À cette fin, nous introduisons une nouvelle fonction de perte, basée sur l'apprentissage par métrique, pour apprendre une représentation hautement discriminante, tout en préservant une bonne précision de reconnaissance des activités sur le domaine source. La représentation apprise est utilisée comme un espace de dimension réduite pour regrouper automatiquement les échantillons non étiquetés. En outre, pour garantir de meilleurs résultats de regroupement, nous avons proposé une stratégie statistique et consensuelle de regroupement. L'approche proposée est évaluée sur le base de données FPHA.
Domaines
Informatique [cs]| Origine | Fichiers produits par l'(les) auteur(s) |
|---|