黑鴻中，肖兒良，簡獻忠

(上海理工大學 光電信息與計算機工程學院，上海 200093)

1 引 言

紅外熱成像對光照變化具有較強的魯棒性，在光照條件較差的情況下，可見光視頻中幾乎看不到人，而紅外視頻可以很好的捕捉到人體，因此可用于24小時監(jiān)控[1].此外，紅外熱成像可以很好的抑制陰影、背景雜波和遮擋等比人體或者運動物體溫度低的干擾.由于這些特性，紅外行為識別可以應用到可見光行為識別難以勝任的一些應用場景，并必將成為未來計算機視覺研究的一個熱點.然而現(xiàn)在利用深度學習和機器學習對紅外行為識別的研究，需要大量的紅外動作數(shù)據(jù)集支撐，目前可供研究的紅外數(shù)據(jù)集有限，造成紅外行為識別的識別率較低[2]，迫切需要開發(fā)大量的紅外數(shù)據(jù)集，據(jù)了解目前需要通過人工繁瑣標注大量的數(shù)據(jù)構(gòu)建紅外行為識別數(shù)據(jù)集；在大數(shù)據(jù)的當下，每天都有上萬數(shù)據(jù)產(chǎn)生，人工標注紅外視頻是一項費時費力的工作，而且速度得不到保證.相比于紅外行為識別，基于可見光的行為識別已經(jīng)有很多公開的數(shù)據(jù)集，例如KTH[3]，HMD51[4]，和UCF101[5]等，但是由于可見光和紅外視頻來源于不同的傳感器，數(shù)據(jù)存在于不同的特征空間中，二者之間既有關(guān)聯(lián)，也有很大的模態(tài)差異.差異性決定了現(xiàn)有的可見光行為識別模型不能直接用于紅外行為識別，但如果重新開發(fā)與可見光數(shù)據(jù)集具有相同動作的紅外數(shù)據(jù)集就會造成可見光數(shù)據(jù)資源的浪費，而且增加大量繁瑣的數(shù)據(jù)集建造工作.而二者之間具有的關(guān)聯(lián)性，是否可以將現(xiàn)有的可見光數(shù)據(jù)集應用到紅外行為識別中來，還沒有引起足夠的重視.本文對此工作進行了探索.

利用可見光動作識別紅外動作要縮小二者之間的模態(tài)差異，因此本文基于遷移學習的思想，從已標注的源域(可見光數(shù)據(jù))中學習到大量領(lǐng)域知識，遷移到目標域(紅外數(shù)據(jù))中，縮小可見光和紅外之間的模態(tài)差異，完成目標域紅外動作的識別.目前遷移學習主要集中在半監(jiān)督域適應[6，7]，需要加入帶標簽的目標域訓練，或者要求源域和目標域具有相同的數(shù)據(jù)結(jié)構(gòu)[8，12]，而現(xiàn)實中可能沒有足夠多的帶標簽的紅外數(shù)據(jù)可供訓練，同時可見光行為動作和紅外動作是異構(gòu)的，二者之間有很大的模態(tài)差異.針對這些問題，本文提出一種用可見光動作(源域)來識別紅外動作(目標域)的無監(jiān)督異構(gòu)行為識別算法(UHDIAR)，為了將原始目標域和源域引入到同一個特征空間中，遷移更多的知識，本文使用了兩個不同的投影，分別將源域和目標域投影到同一個對齊的特征空間中，通過這種方式減少了兩個數(shù)據(jù)集之間的模態(tài)差異，同時利用源域和目標域數(shù)據(jù)的余弦相似度，引入權(quán)重支持向量機(W-SVM)重新加權(quán)源域樣本，增加源域中和目標域相似度高的樣本權(quán)重，降低異常值的樣本權(quán)重，這樣可以減少負遷移，提高識別率.

2 相關(guān)工作

目前有許多遷移學習算法被提出，根據(jù)在特征遷移過程中目標域加標簽的情況，特征遷移的文獻大致可分為三類適應問題：監(jiān)督學習、半監(jiān)督學習和無監(jiān)督學習[22].監(jiān)督學習又稱主動學習，指源域和目標域都被大量標記，例如常用的監(jiān)督方法流形對齊，通常使用拉普拉斯矩陣，其目的是在保持每個輸入域拓撲的同時并發(fā)地匹配相應的實例[10，11]，但是實際情況沒有大量的有標簽源域和目標域數(shù)據(jù)供訓練.半監(jiān)督域?qū)W習使用較少的目標域標簽，減少了對有標簽目標域數(shù)據(jù)的依賴，文獻[12]提出一種新的傳輸弗雷德霍姆多核學習(TFMKL)算法來抑制復雜數(shù)據(jù)中分布的噪聲.在圖像遷移學習獲得了較好的效果，但算法需要標記少量的目標域樣本進行訓練，且需要源域和目標域有相同的數(shù)據(jù)結(jié)構(gòu).無監(jiān)督域自適應不需要標記目標域進行訓練，例如文獻[9]提出學習多個轉(zhuǎn)換，每個域?qū)粋€轉(zhuǎn)換(TIT)，以便將數(shù)據(jù)映射到共享的潛在空間，在這個潛在空間中，域可以很好地對齊，算法將特征向量抽象為圖的頂點，只采用一種模擬的快速整數(shù)算法，而不采用已有的浮點算法進行矩陣運算.通過對圖像分類、文本分類和文本到圖像識別等多個標準基準和大規(guī)模數(shù)據(jù)集的廣泛評價，驗證了該方法的優(yōu)越性.然而，TIT方法還沒有應用到跨領(lǐng)域的紅外人體動作識別中.因此，本文研究了源域和目標域獨立轉(zhuǎn)移的有效性，將其應用于挑戰(zhàn)性更大的可見光到紅外的視頻動作識別中，以獲得跨數(shù)據(jù)集的對齊特征表示.本文工作的主要重點是利用TIT在可見光到紅外的行為識別中進行特征對齊，這在相關(guān)文獻及文獻[9]中均沒有涉及.

近年來，一些遷移學習方法應用到行為識別當中，例如，文獻[13]提出同時從不同視角拍攝的視頻對中學習一對可轉(zhuǎn)移字典，目的是使每個視頻對具有相同的稀疏表示.利用稀疏表示作為特征，在源視圖中構(gòu)建的分類器可以直接傳輸?shù)侥繕艘晥D.文獻[14]提出異構(gòu)轉(zhuǎn)移判別分析的典型相關(guān)法(HTDCC)來發(fā)現(xiàn)一個有區(qū)別的公共空間，在這個空間中源視角和目標視角相互連接，領(lǐng)域知識可以在二者之間相互傳遞.通過同時最小化樣本的類間正則相關(guān)和最大化類內(nèi)正則相關(guān)，優(yōu)化了將源視圖和目標視圖數(shù)據(jù)映射到公共空間的兩個投影矩陣.不同的源視圖有不同的聯(lián)合權(quán)重分配，每個權(quán)重表示對應的源視圖對目標視圖的貢獻程度.文獻[15]針對跨視圖動作有不同維度的特征，引入一個判別公共特征空間來連接源視圖和目標視圖.學習了兩種不同的投影矩陣，將來自兩個不同視角的動作數(shù)據(jù)映射到具有低類內(nèi)多樣性和高類間方差的公共空間中，減少了它們之間的不匹配，分別將來自兩個不同視圖的動作數(shù)據(jù)映射到公共空間.文獻[23]提出跨視點人體動作識別算法，通過捕獲多視點的共同知識實現(xiàn)了對不同視點的人體動作識別.將特定的視圖作為目標域，其余視圖作為源域，從而將跨視圖的動作識別組織到跨域的學習框架中.算法學習了兩個變換矩陣，將不同視圖的原始動作特征轉(zhuǎn)化為一個共同的特征空間，并將原始特征與變換特征相結(jié)合，分別為目標域和源域?qū)W習不同的特征映射函數(shù).文獻[24]為了解決觀察同一行為動作會因視角的不同而發(fā)生很大變化的問題，提出一種基于動作時間結(jié)構(gòu)模型的層次轉(zhuǎn)移的深度學習算法，將不同視圖的原始特征空間轉(zhuǎn)換為視圖共享的低維特征空間，并在該空間中共同學習這些視圖的字典.可以在無監(jiān)督和有監(jiān)督的跨視圖場景中運行.文獻[16]針對正則相關(guān)分析(CCA)在特征提取中沒有考慮結(jié)構(gòu)和跨視圖信息的問題，引入了一種稱為正則稀疏交叉視圖相關(guān)分析(CSCCA)的方法來解決多視圖特征提取問題，通過類內(nèi)樣本之間執(zhí)行稀疏表示來構(gòu)造相似矩陣，將局部流形信息和跨視圖關(guān)聯(lián)引入CCA，在包括多個特征的人臉數(shù)據(jù)集上得到較好的效果.文獻[17]提出利用內(nèi)核流行對齊(KEMA)和對準廣義編碼器(AGE)的方法將可見光數(shù)據(jù)作為輔助數(shù)據(jù)來提高紅外行為識別的識別率，取得了較好的效果，但是其方法是半監(jiān)督的，可見光數(shù)據(jù)只是作為輔助數(shù)據(jù)，且需要大量的目標域紅外數(shù)據(jù)來訓練.據(jù)了解目前還沒有人實現(xiàn)挑戰(zhàn)性更大的直接利用可見光(源域)視頻動作來識別紅外(目標域)視頻動作的跨數(shù)據(jù)集無監(jiān)督行為識別.基于以上研究本文提出了一種新的無監(jiān)督異構(gòu)行為識別方法(UHDIAR)，利用可見光動作(源域)來識別紅外動作(目標域)，不需要標記目標域進行訓練.

3 提出的方法

本文提出的無監(jiān)督異構(gòu)紅外行為識別算法(UHDIAR)如圖1所示，算法包括三個階段.在第一階段，對源數(shù)據(jù)集和目標數(shù)據(jù)集進行特征提取和編碼，在此階段中，用改進密集軌跡(IDTs)[18]對可見光視頻和紅外視頻進行特征提取，提取的特征作為視頻的底層特征表示，采用LLC[19]將IDTs提取出的特征進行編碼，編碼后的特征經(jīng)PCA[25]簡化為低維子空間.在第二階段，將編碼后的低維特征映射到再生核希爾伯特空間(RKHS)，在RKHS中學習兩個投影，分別將源域和目標域投影到一個公共的對齊子空間中.最后，在源數(shù)據(jù)集和目標數(shù)據(jù)集提取的對齊特征的基礎(chǔ)上，利用經(jīng)過余弦相似度調(diào)整權(quán)重的有標簽源域數(shù)據(jù)訓練支持向量機W-SVM，進而輸出目標域的標簽.

圖1 無監(jiān)督異構(gòu)紅外行為識別框架(UHDIAR)Fig.1 Unsupervised heterogeneous infrared action recognition framework(UHDIAR)

3.1 特征表示

3.1.1 特征提取和編碼

改進稠密軌跡IDTs[18]由于其對視頻特征的提取更加有針對性，消除了由于相機抖動造成識別率下降的影響，因此本文選用IDTs對視頻中的人體進行稠密采樣得到運動軌跡點，參數(shù)選用默認設置.IDTs通過SURF特征和光流計算當前幀與上一幀的投影變換矩陣得到運動軌跡，提取的軌跡帶有方向性；然后對軌跡點提取特征，提取的特征信息包括光流方向直方圖HOF、軌跡點的方向梯度直方圖HOG以及運動邊界直方圖MBH.

對于IDTs，因為其對人體運動軌跡的密集采樣而得到大量的局部軌跡描述符，所以采樣得到的興趣點數(shù)目較大，這樣會導致較高的計算復雜度和內(nèi)存消耗.為了解決這一問題，本文采用基于位置約束的線性編碼(LLC，Locality-constrained Linear Coding)[19]方案，LLC利用位置約束將每個局部描述符投射到其局部坐標系中，并通過最大池求得最終的投影坐標.為了加快逼近速度，首先進行k鄰近搜索，然后求解一個約束最小二乘擬合問題.LLC用多個基來表示IDTs，在保持局部光滑稀疏性的同時，可以帶來更少的量化誤差.在兼顧效率和構(gòu)造誤差的前提下，將LLC編碼方案應用于具有5個局部基的IDTs，并將所有訓練測試的碼本大小設置為4000.因此，編碼的IDTs特征的維數(shù)為4000.為了降低碼本構(gòu)建的復雜度，在每個視頻序列中隨機選取200個局部IDTs.

3.1.2 主成分分析(PCA)

在LLC編碼后，特征表示仍然是高維的、有些冗余的特征.為了獲得更緊湊的特征表示，本文利用常用的線性降維方法主成分分析(PCA，principal component analysis)[25]對這些高維特征進行預處理.PCA通過最大化樣本方差，保證新的特征維度互不相關(guān)，先通過消除特征之間的相關(guān)性，然后調(diào)整縮放因子使新特征具有相同的方差，可以保留超過99%的原特征表達的特征，但是特征維數(shù)可以從4000降到不超過600維.

3.2 特征對齊

由于可見光動作視頻和紅外動作視頻采集于不同的傳感器，所以可見光視頻和紅外視頻之間有很大的模態(tài)差異，造成二者之間有不同的數(shù)據(jù)結(jié)構(gòu)，這就需要進行數(shù)據(jù)對齊，本文學習了兩個不同的映射As和At，利用最大平均差異MMD[20]來計算二者之間的分布距離，ns和nt是源域和目標域中的樣本數(shù)，Xs和Xt分別表示源域和目標域的數(shù)據(jù).為了簡化計算，將原始數(shù)據(jù)矩陣和兩個投影矩陣合并為同成一個矩陣(1)，但對于局部的數(shù)據(jù)和映射任然具有獨立性.

(1)

其中ds和dt分別是源域和目標域的原始維數(shù).這樣源域和目標域的MMD可以通過式(2)計算得到.

(2)

矩陣M可以通過式(3)計算：

(3)

為了將源域和目標域的數(shù)據(jù)對齊，本文引入了再生核希爾伯特空間RKHS，將數(shù)據(jù)映射到RKHS中進行對齊.由

x→ψ(x),ψ(X)=[ψ(x1),ψ(x2),…,ψ(x3)],令核空間K=ψ(X)Tψ(X),A=ψ(X)P,可以將式(2)變化為式(4).

MMD(Xs,Xt)H=tr(PTXMXTP)

(4)

3.3 W-SVM樣本權(quán)重調(diào)整

在跨域遷移學習的過程中，源域和目標域有很大的模態(tài)差異，而且并不是每個源域樣本對目標域的作用是相同的，基于以上考慮，本文引入了樣本權(quán)重，通過判斷源域樣本和目標域樣本的相似度來改變源域的樣本權(quán)重，增加主樣本的權(quán)重，降低異常值樣本的權(quán)重，來減少負遷移.對此引入k鄰近，源域樣本和目標域樣本k鄰近則具有相同的標簽，同一類樣本的距離較近，不同類樣本遠離.在式(5)中用Zj表示對齊后特征空間，Xj表示新特征.為了保持結(jié)構(gòu)的一致性，將式(5)最小化.

(5)

其中Z=PTK，L=D-W，L為拉普拉斯矩陣，D是一個對角矩陣，它的第i個對角元素計算為W的第i行和，W為表征樣本關(guān)系的對稱鄰接矩陣，通過余弦相似度式(6)得到.

(6)

Nk(xi)是Xi的k近鄰，它們與Xi同屬一類。對于W的第i行和第j列，如果樣本Xj是Xi的k近鄰，且與Xi具有相同的標簽，則將Wji設為兩個樣本之間的余弦距離，否則將Wji設為0,這樣就可以保證具有相同的類接近，不同類遠離.

本文學習TIT將特征向量抽象為圖頂點式(7)，v為頂點的度數(shù).

(7)

這樣就可以通過式(7)得到的頂點度數(shù)更新源域樣本權(quán)重α式(8)，源域經(jīng)過訓練W-SVM得到模型，然后使用這個模型分類目標域.

(8)

最后，對式(9)的分解優(yōu)化P映射，其中參數(shù)λ、β和γ均大于0.

(9)

其中矩陣G通過式(10)計算得到，Pi為P矩陣的第I行.

(10)

3.4 算法流程

a)輸入可見光和紅外視頻，計算IDTs特征，使用LLC編碼，PCA降維，得到底層特征表示.

b)設定迭代次數(shù)T，λ、β和γ，領(lǐng)域數(shù)k和子空間維數(shù).

c)計算核函數(shù)K，初始化矩陣G，構(gòu)造拉普拉斯矩陣L.

d)利用式(4)構(gòu)造M矩陣.

e)分解式(9)計算映射矩陣Ps和Pt.

f)將RKHS中的源域和目標域使用不同的映射Ps和Pt投影到對齊的特征空間中.

g)權(quán)重SVM引入可見光標簽對紅外數(shù)據(jù)分類，輸出紅外動作標簽.

h)余弦相似度式(6)利用輸出的紅外標簽判定可見光樣本的權(quán)重α.

i)判定迭代次數(shù)T是否達到最大值，沒有達到最大值則返回d步開始執(zhí)行下一次迭代，達到最大值則輸出紅外標簽.

4 實驗結(jié)果與分析

4.1 實驗采用的數(shù)據(jù)集

無監(jiān)督異構(gòu)紅外行為識別UHDIAR使用XD145數(shù)據(jù)集和InfAR數(shù)據(jù)集進行實驗，其中XD145數(shù)據(jù)集作為源域，InfAR數(shù)據(jù)集作為目標域.

1)InfAR

InfAR數(shù)據(jù)集[21]有600個由紅外熱成像攝像機拍攝的人體動作視頻組成.數(shù)據(jù)集中包含了fight、handclapping、handshake、hug、jog、jump、punch、push、skip、walk、wave 1(單手揮)和wave 2(雙手揮)12類動作，所有的動作都由40名志愿者完成.其中每個動作類包括50個視頻，每個視頻平均持續(xù)4秒.幀速率為25幀/s，分辨率為293×256.視頻的拍攝場景貼合實際情況，包括單人和多人的動作，體現(xiàn)出了背景的復雜度、季節(jié)差異、行為的類間差異、有無遮擋、以及視角的變化等，數(shù)據(jù)總體的挑戰(zhàn)性很大.

2)XD145

XD145[17]數(shù)據(jù)集和InfAR數(shù)據(jù)集具有12種相同的動作類別.XD145動作數(shù)據(jù)集由可見光攝像機拍攝的600個視頻組成，每個動作類有50個視頻.所有的動作都由30名志愿者完成.每個視頻平均持續(xù)5秒.視頻幀速率為25幀/s，分辨率為320×240.如圖2所示，在構(gòu)建數(shù)據(jù)集時考慮了背景、姿態(tài)和視角的變化.圖2為可見光和紅外動作的比較，每一個動作左邊為紅外動作，右邊為可見光動作.從圖中可以看出，這些動作視頻是在兩種不同的光譜下拍攝的，表現(xiàn)出明顯的類內(nèi)方差和模態(tài)差異，而且相比于可見光數(shù)據(jù)集，紅外數(shù)據(jù)集的背景、遮擋等更復雜.

圖2 可見光和紅外動作的比較Fig.2 Comparison of visible and infrared action

4.2 實驗設置

4.2.1 參數(shù)設置

在源域和目標域每類樣本數(shù)均為50的情況下，圖3給出了UHDIAR的參數(shù)設置.圖3(a)～圖3(e)分別表示為鄰域數(shù)k、γ、β、λ和子空間維數(shù)，Accuracy表示12種動作的平均識別率.從圖中可以看出它們分別取4、0.002、0.01、0.11和120時，12類動作的平均識別率取得最高28.67%.可以看出相比于其它參數(shù)的取值變化β的值最敏感，取值變化0.01，準確率就會發(fā)生很大變化，因為β決定源域樣本的權(quán)重，這也反映了調(diào)整源域樣本權(quán)重的重要性.

4.2.2 源域樣本數(shù)對準確率影響分析

將可見光動作作為訓練集源域，紅外動作作為訓練集目標域，源域每種動作的樣本數(shù)量隨機選擇為[5，10，15，20，25，30，40，45，50]，目標域每種動作的樣本數(shù)量選擇為50，將UHDIAR與標準的SVM比較，SVM采用效率較好的線性核.圖4為源域樣本數(shù)對準確率的影響，從圖中可以看到源域樣本數(shù)越多UHDIAR的總體識別率越高，可以利用XD145數(shù)據(jù)集的全部數(shù)據(jù)，說明UHDIAR可以很好的利用帶標簽的源域樣本，這也符合當前帶標簽的可見光動作數(shù)據(jù)比帶標簽的紅外數(shù)據(jù)多的現(xiàn)實.帶標簽的源域樣本數(shù)量增加對標準SVM的準確率幾乎沒有影響，這也反映了UHDIAR 的有效性.

圖3 a-e為UHDIAR優(yōu)化參數(shù)設置Fig.3 a-e optimizes parameter settings for UHDIAR

4.2.3 UHDIAR與 CDFAG的比較分析

Liu等最近提出CDFAG[17]算法用于紅外行為識別，將可見光動作作為輔助源域的同時加入了紅外動作數(shù)據(jù)，其算法為半監(jiān)督的，為了公平對比，本文也引入少量帶標簽的紅外數(shù)據(jù)同CDFAG比較，其結(jié)果如表1所示.從表中可以看出，加入的紅外訓練個數(shù)不超過3個時UHDIR的識別率相比CDFAG有明顯的提高.在紅外訓練個數(shù)超過3個后，UHDIR相比CDFAG精度有一定的下降，主要因為CDFAG特征對齊和泛化的過程中也加入了紅外數(shù)據(jù)進行訓練，為有目的的對齊和泛化，而UHDIR為無監(jiān)督遷移，在特征對齊中并沒有加入紅外數(shù)據(jù)進行訓練，紅外數(shù)據(jù)只是用來訓練SVM.在紅外動作數(shù)據(jù)稀缺的當下，基本沒有可以使用的帶標簽的紅外數(shù)據(jù)，而UHDIR可以直接用可見光動作識別紅外動作，CDFAG算法只有存在標記好的紅外數(shù)據(jù)時才可以使用.

表1 CDFAG和UHDIR加入紅外訓練個數(shù)最高識別率對比
Table 1 Comparison of the highest recognition rate of
CDFAG and UHDIR added to infrared training

準確率(%)個數(shù)01234CDFAG—21.5928.8437.2545.16UHDIR28.6733.1636.6740.6042.97

4.2.4 實驗結(jié)果分析

表2為SVM和UHDIAR的平均識別率，SVM平均識別率為17.00%，而UHDIAR的平均識別率為28.67，比SVM相對提高了68.65%，達到了較好的效果.圖5(a)和圖5(b)分別為標準SVM和UHDIAR的混淆矩陣結(jié)果，主對角線為每種動作的識別率.為了有更直觀的區(qū)別，圖6利用每種動作的識別率做成柱狀圖，從圖6可以看到，除了wave2(雙手揮)SVM識別率為56%，而UHDIAR的識別率為34%，比SVM低；其它11種動作UHDIAR的識別率均比SVM高，說明UHDIAR幾乎對所有的動作都有效.從圖2的wave2動作可以看出相比于其它動作雙手揮的動作更容易辨識，提取的有效特征更有針對性，所以SVM直接用可見光數(shù)據(jù)識別紅外數(shù)據(jù)可以得到較好的效果，相反如果進行遷移學習，由于數(shù)據(jù)對齊的過程中，會丟失一部分有效特征而造成識別率低，但其它動作提取的有效特征有限，對齊的過程中丟失的有效特征較少.

表2 SVM和UHDIAR的平均識別率
Table 2 Average recognition rate of SVM and UHDIAR

方法準確率(%)SVM17.00UHDIAR28.67

圖5 SVM和UHDIAR的混淆矩陣Fig.5 Confusion matrices of SVM and UHDIAR

圖6 SVM和UHDIAR的每種動作識別率對比Fig.6 Comparison of each action recognition ratebetween SVM and UHDIAR

5 結(jié) 論

本文首次提出基于遷移學習的無監(jiān)督異構(gòu)紅外行為識別算法，利用帶標簽的可見光動作數(shù)據(jù)識別不帶標簽的紅外動作.通過引入W-SVM增加源域有效樣本的權(quán)重，降低異常樣本權(quán)重，緩解負遷移，實驗結(jié)果表明UHDIAR的平均識別率與標準的SVM相比相對提高68.65%，縮小了可見光和紅外的模態(tài)差異，識別率有了明顯的提高，證明可見光動作樣本權(quán)重對紅外行為識別的有效性.算法不需要標記目標域進行訓練，提高了源域樣本的利用率，可以有效的利用現(xiàn)有的可見光數(shù)據(jù)集，為利用可見光輔助紅外行為識別提供了一種新的思路.本文雖然在縮小可見光和紅外的模態(tài)差異取得了較好的效果，但由于可見光和紅外的模態(tài)存在差異，目前提出的UHDIAR算法識別率有待進一步提高.課題組下一步工作考慮多源域遷移學習，構(gòu)成圖片和視頻的多源域減少模態(tài)差異進一步提高識別率.