共识信息瓶颈方法的无监督人类行为分类

最近的研究表明，共识聚类可以通过组合多个聚类来提高人类行为分类模型的准确性，这些聚类可以从各种类型的本地描述符（如HOG，HOF和MBH）中获得。但是，共识聚类会产生最终的聚类，而无法访问人类行为数据的基础特征表示，这总是使最终的划分受限于现有基本聚类的质量。 为了解决这个问题，我们提出了一种新颖且有效的共识信息瓶颈（CIB）方法，用于无人监督的人为行为分类。 CIB能够同时从特征变量和辅助聚类中学习动作类别。 具体而言，通过执行互信息最大化（MMI），CIB最大限度地保留了特征变量和现有辅助聚​​类之间的信息。 此外，为了解决MMI优化问题，提出了一种顺序解决方案来更新数据分区。 在五个现实的人类动作数据集上进行的广泛实验表明，CIB可以始终如一地击败其他先进的共识和多视图聚类方法。