A dynamic causal topic model for mining activities from complex videos
A dynamic causal topic model for mining activities from complex videos
复制标题
用于从复杂视频中挖掘活动的动态因果主题模型
DOI：
10.1007/s11042-017-4760-4
复制
发表时间：
2018-05
影响因子：
3.6
通讯作者：
Weiping Zhu
中科院分区：
文献类型：
--
作者：
Yawen Fan;Quan Zhou;Wenjing Yue;Weiping Zhu
提出了一种新的概率主题模型，用于从复杂的视频监控场景中挖掘活动。为了处理视频数据的时间性质，我们设计了一个动态的因果主题模型（DCTM），可以检测潜在的主题和因果之间的相互作用。该模型是基于这样的假设，即在相邻的时间步长的潜在主题之间的所有时间关系遵循噪声或分布。基于非参数格兰杰因果统计量的思想，采用数据驱动的方法估计噪声-OR分布的参数。此外，在模型学习过程中的收敛性分析，Kullback-Leibler之间的先验分布和后验分布的计算。最后，利用DCTM学习的因果关系矩阵，对每个主题的因果影响力进行度量。我们通过在几个具有挑战性的数据集上的实验来评估所提出的模型，并证明我们的模型可以识别拥挤场景中的高影响力活动。
In this paper, a novel probabilistic topic model is proposed for mining activities from complex video surveillance scenes. In order to handle the temporal nature of the video data, we devise a dynamical causal topic model (DCTM) that can detect the latent topics and causal interactions between them. The model is based on the assumption that all temporal relationships between latent topics at neighboring time steps follow a noisy-OR distribution. And the parameter of the noisy-OR distribution is estimated by a data driven approach based on the idea of nonparametric Granger causality statistic. Furthermore, for convergence analysis during model learning process, the Kullback-Leibler between the prior and the posterior distributions is calculated. At last, using the causality matrix learned by DCTM, the total causal influence of each topic is measured. We evaluate the proposed model through experimentations on several challenging datasets and demonstrate that our model can identify the high influence activity in crowded scenes.
登录
查看更多内容
DOI：
10.1007/978-3-319-27857-5_58
发表时间：
2015-12
期刊：
--
影响因子：
--
作者：
D. Kular;Eraldo Ribeiro
通讯作者：
D. Kular;Eraldo Ribeiro
DOI：
10.1198/016214506000000302
发表时间：
2006-12-01
影响因子：
3.7
作者：
Teh, Yee Whye;Jordan, Michael I.;Blei, David M.
通讯作者：
Blei, David M.
DOI：
10.1109/ijcnn.2013.6706941
发表时间：
2013-08
期刊：
The 2013 International Joint Conference on Neural Networks (IJCNN)
影响因子：
--
作者：
John McCaffery;A. Maida
通讯作者：
John McCaffery;A. Maida
影响因子：
7.8
作者：
Gu, Bin;Sheng, Victor S.;Li, Shuo
通讯作者：
Li, Shuo
DOI：
10.1109/tnnls.2014.2342533
发表时间：
2015-07-01
影响因子：
10.4
作者：
Gu, Bin;Sheng, Victor S.;Li, Shuo
通讯作者：
Li, Shuo