Στην παρούσα διατριβή εστιάζουμε στο πρόβλημα της χρονικής συν-τμηματοποίησης
δράσεων σε ακολουθίες πολυδιάστατων δεδομένων κίνησης (motion capture data)
και σε ακολουθίες εικόνων (βίντεο). Δοσμένων δύο ακολουθιών δεδομένων που
αναπαριστούν δράσεις/δραστηριότητες, στόχος είναι να εντοπίσουμε και να
ορίσουμε τα χρονικά όρια για όλα τα ζεύγη υπο-ακολουθιών που αναπαριστούν μια
κοινή δράση (common action or commonality), δηλαδή μια δράση που
επαναλαμβάνεται ταυτόσημη ή με παρόμοιο τρόπο μεταξύ των ακολουθιών. Το εν
λόγω πρόβλημα αποτελεί σημαντικό ερευνητικό θέμα στις περιοχές της Αναγνώρισης
Προτύπων και της Υπολογιστικής Όρασης και παρά την ερευνητική προσπάθεια που
έχει αφιερωθεί σε αυτό, δεν έχει επιλυθεί πλήρως.
Η παρούσα διατριβή περιγράφει μια αποδοτική, μη-εποπτευόμενη προσέγγιση η
οποία δεν προϋποθέτει εκ των προτέρων γνώση και μοντέλα των δράσεων που
εκτελούνται, ενώ υιοθετεί μια γενική και ευέλικτη μοντελοποίηση των δεδομένων
εισόδου ως πολυδιάστατες χρονοσειρές. Θεωρούμε διαφορετικά σενάρια για τις
ακολουθίες δράσεων που δημιουργούν ενδιαφέρουσες προκλήσεις ως προς την
επίλυση του προβλήματος: (α) σε κάθε ακολουθία εμφανίζονται μία ή περισσότερες
δράσεις που πραγματοποιούνται από ένα ή περισσότερα υποκείμενα (άτομα ή
αντικείμενα), (β) στη γενική περίπτωση, ο αριθμός των κοινών δράσεων μεταξύ δύο
ακολουθιών θεωρείται άγνωστος, (γ) μια κοινή δράση μπορεί να εντοπιστεί σε
οποιοδήποτε χρονικό τμήμα μιας ακολουθίας, (δ) τα τμήματα μιας κοινής δράσης
μεταξύ δύο ακολουθιών ενδέχεται να έχουν διαφορετική διάρκεια, να
περιλαμβάνουν κινήσεις διαφορετικής ταχύτητας και τρόπου/τεχνικής εκτέλεσης, (ε)
οι δράσεις που εμφανίζονται στις ακολουθίες ενδέχεται να αναπαριστούν φυσικές
κινήσεις ενός ή περισσότερων ανθρώπων ή αντικειμένων, καθώς επίσης και
περίπλοκες αλληλεπιδράσεις ανθρώπων με αντικείμενα.
Προτείνουμε δύο καινοτόμες μεθόδους για την επίλυση του προβλήματος της
χρονικής συν-τμηματοποίησης δράσεων σε ζεύγη ακολουθιών δεδομένων. Η πρώτη
μέθοδος επιτυγχάνει την ανίχνευση και συν-τμηματοποίηση των N σημαντικότερων
κοινών δράσεων μεταξύ των υπο σύγκριση ακολουθιών δεδομένων, βασιζόμενη στην
ελαχιστοποίηση συνάρτησης κόστους που εκφράζει το κόστος μη-γραμμικής
χρονικής στοίχισης των υπο-ακολουθιών των κοινών δράσεων, χρησιμοποιώντας την
μέθοδο Dynamic Time Warping (DTW). Η διαδικασία ταυτόχρονης αναζήτησης
λύσεων (κοινών δράσεων) και ελαχιστοποίησής της συνάρτησης κόστους
μοντελοποιείται ως ένα στοχαστικό πρόβλημα βελτιστοποίησης, το οποίο λύνεται
βάσει της εξελικτικής μεθόδου βελτιστοποίησης Canonical Particle Swarm
Optimization (PSO). Η δεύτερη μέθοδος βασίζεται στην μοντελοποίηση του ίδιου
προβλήματος, ως ένα πρόβλημα αναζήτησης σε γράφο. Ο γράφος ορίζεται ως ο
πίνακας (μήτρα) που περιλαμβάνει τις Ευκλείδειες αποστάσεις όλων των δυνατών
ζευγών καρέ των ακολουθιών εικόνων, καθένα από τα οποία αναπαρίσταται ως ένα
διάνυσμα χαρακτηριστικών. Γίνεται χρήση του αλγορίθμου Johnson's για την
αναζήτηση των συντομότερων μονοπατιών σε γράφο και κατ'επέκταση για την
επίλυση του προβλήματος. Και οι δύο πρωτότυπες μεθοδολογίες υποβάλλονται σε
εκτενείς πειραματικές διαδικασίες χρησιμοποιώντας πλήθος από ζεύγη ακολουθιών
εικόνων (βίντεο) ή ακολουθιών που αναπαριστούν 3Δ δεδομένα καταγραφής
κίνησης, αναδεικνύοντας την αποτελεσματικότητάς τους σε σύγκριση με άλλες
υφιστάμενες αποδοτικές μεθόδους.
Επιπρόσθετα, βασιζόμενοι στην εύρωστη απόδοση των μεθόδων αυτών,
αναπτύσσουμε μια νέα μέθοδο για την εκτίμηση της ομοιότητας μεταξύ δύο
ακολουθιών δράσεων, που επίσης υποστηρίζει την εξαγωγή επιχειρημάτων που
αιτιολογούν τον υπολογισμό αυτό. Η μέθοδος αυτή βασίζεται στην χρονική συντμηματοποίηση των ζευγών 3Δ τροχιών κίνησης των ανθρώπινων αρθρώσεων και
των αντικειμένων που παρατηρούνται στις ακολουθίες, συνδυάζοντας επιπλέον εκ
των προτέρων γνωστή σημασιολογική πληροφορία για τις κατηγορίες τους και
υπολογίζοντας την σημασιολογική τους ομοιότητα. Τα αποτελέσματα αυτής της
διαδικασίας ανα ακολουθία μοντελοποιούνται ως ένας γράφος που αναπαριστά το
περιεχόμενό της ακολουθίας ανά αντικείμενο. Συγκεκριμένα, κάθε αντικείμενο
αντιστοιχεί σε ένα κόμβο του γράφου. Οι ακμές του γράφου μοντελοποιούν
πληροφορία με βάση τα αποτελέσματα της χρονικής συν-τμηματοποίησης μεταξύ
των αντικειμένων της ακολουθίας και της σημασιολογικής τους πληροφορίας,
εφόσον αυτή είναι διαθέσιμη. Στη συνέχεια η ομοιότητα/απόσταση μεταξύ δύο
ακολουθιών δράσεων βασίζεται στην απόσταση (Graph Edit Distance) μεταξύ των
αντίστοιχων γράφων τους, και υπολογίζεται ως το κόστος μιας βέλτιστης λύσης
αντιστοίχισης (bipartite graph matching) σε διμερή γράφο που συντίθεται απο τους
δύο επιμέρους γράφων. Η προτεινόμενη μεθοδολογία αξιολογείται πειραματικά στα
προβλήματα της κατηγοριοποίησης δράσεων, της αντιστοιχίας δράσεων (action
matching) και στον υπολογισμό της σειράς κατάταξης μεταξύ ζευγών δράσεων με
βάση την ομοιότητά τους (pairwise action ranking) ανάμεσα σε τριπλέτες ακολουθιών
εικόνων. Τα αποτελέσματα οδηγούν στο συμπέρασμα ότι η προτεινόμενη μέθοδος
έχει αξιόλογη απόδοση, συγκρίσιμη ή και καλύτερη αυτής των καλύτερων γνωστών
σύγχρονων μεθόδων μη εποπτευόμενης και εποπτευόμενης μάθησης.
(EL)
We focus on the problem of temporal co-segmentation of actions in sequences of 3D
motion capture data and in image sequences (videos). Given two data sequences
representing action relevant information, the goal is to detect and temporally cosegment all pairs of matching sub-sequences (temporal segments), where the
segments of a pair represent a common (identical or similar) action or sub-action. This
is an important and challenging problem in the research communities of Computer
Vision, Pattern Recognition and Machine Learning, which despite the research efforts
devoted to its solution, remains unsolved in its full generality.
We investigate the problem of interest by following a data-driven, unsupervised
approach, where no a-priori models and labels of the actions represented in the
sequences are available. Various challenging scenarios and conditions are considered,
i.e., (a) one or multiple actions are demonstrated by different subjects in each
sequence, (b) the number of common actions between the sequences may be
unknown, (c) the common actions may be located anywhere in the sequences, (d)
instances of the common action or sub-action can be of variable duration and of
different speed and execution style and (e) actions may involve a single or multiple
humans, generic objects or even complex human-object interactions.
Two novel, efficient methodologies are proposed in this thesis to deal with this
problem. They are based on a stochastic optimization approach and a deterministic,
graph-based approach, respectively. Furthermore, we leverage the robust
performance of the proposed temporal action co-segmentation strategies to develop
a method that estimates the similarity of the original sequences and provides
meaningful arguments supporting this estimation, making a step towards explainable
assessment of video and action similarity.
Specifically, two novel methods are introduced to perform temporal co-segmentation
between two sequences of motion capture data (3D/6D human skeletal data and/or
object pose data) or of RGB images. Each data sequence is treated as a multivariate
time-series for any of the data modalities. The first method discovers and co-segments
the N best pairs of common sub-sequences (commonalities) between the compared
time-series by minimizing a cost function that expresses their non-linear temporal
alignment cost. The cost is quantified using the Dynamic Time Warping (DTW) method
and its minimization is treated as a stochastic optimization problem that is solved
using Canonical Particle Swarm Optimization (PSO). The PSO method relies on
evolutionary search strategies to minimize the DTW-based cost function and is applied
iteratively in order to discover the N best commonalities. The second method treats
temporal action co-segmentation as a search problem on a graph defined on the
matrix of the pair-wise Euclidean distances (EDM) of the frame-wise features between
the two compared time-series. An efficient graph-based search algorithm is used for
solving the problem of discovering N commonalities. The number of the N best
commonalities to be discovered for two time-series may be unknown or given a-priori.
Both methods have been extensively tested using pairs of image sequences (videos)
or pairs of sequences containing 3D motion capture data. Various types of action
scenarios have been considered such as physical exercises, daily living activities and
human-object interaction, while quantitative experiments demonstrate the
effectiveness of the proposed methods in comparison to existing, state-of-art
approaches.
In addition, a novel method is proposed for fine-grained similarity assessment of two
actions in videos that capitalizes on the effectiveness of temporal co-segmentation
between the trajectories of the tracked human joints and/or the tracked objects and
their semantic relatedness. A graph matching approach based on Graph Edit Distance
is employed to combine the object-level features and semantic information, towards
computing spatio-temporal correspondences between objects across videos, if these
objects are semantically related, if/when they interact similarly, or both.
The proposed framework aspires to take an important step towards explainable
assessment of video and action similarity. It is evaluated on publicly available datasets
on the tasks of action classification, action matching and action-based ranking in
triplets of videos and is shown to compare favorably to state-of-the-art unsupervised
and supervised learning methods.
Keywords: Temporal action co-segmentation, video similarity, temporal alignment,
pairwise action ranking, action matching, action recognition, Graph Edit Distance,
Particle Swarm Optimization.
(EN)