12、RGB-D动作识别与活动预测技术解析

RGB-D动作识别与活动预测技术解析

1. RGB - D动作识别

在动作识别领域，RGB - D动作识别是一个重要的研究方向。研究人员致力于通过将深度信息转移到目标RGB动作数据中，以提升动作识别的性能。

1.1 收敛性与训练时间分析

为了分析收敛性和约束项的特性，研究使用了特定测试案例。通过图5.6可以看到不同迭代次数下的误差情况，并且收敛条件在算法1中给出。从图中能够观察到，曲线在50次迭代内趋于稳定。

同时，研究还对比了不同方法的训练时间。使用MSR daily action 3D作为源数据，MSR pair action 3D作为目标数据，在特定配置的PC（Intel Xeon E5 2650 CPU at 2.00 GHz和128 GB内存）上进行测试。结果如下表所示：
| 方法 | 训练时间 |
| — | — |
| GFK | 5分钟 |
| LTSL | 10分钟 |
| 本文方法 | 0.5分钟 |

从表格数据可以明显看出，本文提出的方法训练速度显著快于GFK和LTSL方法，分别快10倍和20倍。

1.2 实验结果讨论

实验在常见的RGB - D数据库上进行，将本文方法与LTSL和GFK等先进的迁移学习方法进行对比。
- 方法性能优势 ：本文方法能够超越其他对比算法。原因在于，测试案例并非传统的迁移学习情况，LTSL和GFK会从另一个数据库转移更多负面信息，并且这些传统方法没有考虑潜在信息和跨模态结构，无法有效转移深度信息，反而会从源数据中添加更多负面的RGB信息。