2016-2022 All Rights Reserved.平安財經網.復制必究 聯系QQ280 715 8082 備案號:閩ICP備19027007號-6
本站除標明“本站原創(chuàng)”外所有信息均轉載自互聯網 版權歸原作者所有。
諸如卷積神經網絡(CNN)之類的深度學習算法已在各種任務上取得了顯著成果,包括那些涉及識別圖像中特定人物或物體的任務?;谝曈X的人類動作識別(HAR)是計算機科學家經常嘗試使用深度學習解決的任務,它特別需要識別圖像或視頻中捕獲的人類動作。
HITEC大學和巴基斯坦伊斯蘭堡基礎大學,韓國世宗大學和中正大學,英國萊斯特大學和沙特阿拉伯蘇丹王子大學的研究人員最近開發(fā)了一種新的CNN,用于識別視頻中的人類行為。該CNN在Springer Link的“多媒體工具和應用程序”期刊上發(fā)表的一篇論文中進行了介紹,經過培訓可以區(qū)分幾種不同的人類動作,包括拳擊,拍手,揮舞,慢跑,跑步和散步。
研究人員在論文中寫道:“我們設計了一種新的26層卷積神經網絡(CNN)架構,用于精確的復雜動作識別。” “這些特征是從全局平均池化層和完全連接(FC)層中提取的,并通過建議的基于高熵的方法進行融合。”
當試圖識別人類在圖像或視頻中的動作時,CNN通常會將其分析重點放在許多潛在的相關特征上。但是,某些人類動作(例如慢跑和步行)可能非常相似,這使得這些算法很難區(qū)分它們,特別是如果它們專注于相似性核心的特征時。為了克服這一挑戰(zhàn),研究人員使用了一種方法,該方法將稱為Poisson分布的特征選擇方法與單變量測量(PDaUM)合并在一起。
研究人員觀察到,CNN所基于的分析功能有時可能不相關或多余,這導致它們做出錯誤的預測。為了降低發(fā)生這種情況的風險,他們的PDaUM方法僅選擇最強大的功能來識別特定的人類行為,并確保CNN基于這些功能做出最終預測。
研究人員在DB51,UFC Sports,KH和Weizmann數據集這四個數據集上訓練和評估了兩個截然不同的CNN,一個極端機器學習(EML)和一個Softmax分類器。這些數據集包含幾個人類執(zhí)行不同類型動作的視頻。
然后,研究人員比較了兩個CNN的性能,這兩個CNN均使用其特征選擇方法進行了增強。在他們的評估中,ELM分類器的性能明顯優(yōu)于Softmax算法,可以從視頻中識別出人類動作,其在DB51數據集上的準確性為81.4%,在UCF Sports數據集上的準確性為99.2%,在KTH數據集上的準確性為98.3%,在KTH數據集上的準確性為98.7%。魏茨曼數據集。
值得注意的是,PDaUM增強的ELM分類器在準確性和預測時間方面也優(yōu)于研究人員將其與之相比的所有現有深度學習技術。因此,這些結果凸顯了研究人員介紹的特征選擇方法在提高CNN在HAR任務上的性能方面的潛力。
將來,本文介紹的ELM分類器和PDaUM方法可以開發(fā)更有效的工具,以自動區(qū)分人類在錄制和實況錄像中正在做什么。這些工具可以通過幾種不同的方式證明其價值,例如,幫助執(zhí)法人員監(jiān)視CCTV視頻上嫌疑犯的行為,或者允許研究人員快速分析大量視頻。
2016-2022 All Rights Reserved.平安財經網.復制必究 聯系QQ280 715 8082 備案號:閩ICP備19027007號-6
本站除標明“本站原創(chuàng)”外所有信息均轉載自互聯網 版權歸原作者所有。