Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Sinh các đặc trưng bóng song song dựa trên GPU trong hệ thống nơron để cải thiện nhận dạng hoạt động đi bộ của con người
Tóm tắt
Trong bài báo này, chúng tôi đề xuất một phương pháp mới để cải thiện các bộ dữ liệu nhận dạng hoạt động của con người (HAR) nhằm nâng cao độ chính xác phân loại khi được huấn luyện với một bộ phân loại nhất định như Mạng Nơron. Trong nghiên cứu này, một quy trình huấn luyện/kiểm tra mới cho việc xây dựng/kiểm tra một mô hình phân loại cho nhận dạng hoạt động của con người (HAR) được đề xuất. Truyền thống, HAR được thực hiện bởi một bộ phân loại mà học các hoạt động mà một người đang thực hiện thông qua việc huấn luyện với dữ liệu xương được thu thập từ các cảm biến chuyển động như Microsoft Kinect hoặc cảm biến gia tốc. Dữ liệu xương này bao gồm các tọa độ không gian (x, y, z) của các bộ phận khác nhau trên cơ thể con người. Ngoài các đặc điểm không gian mô tả các vị trí hiện tại trong dữ liệu xương, các đặc trưng mới gọi là Đặc trưng Bóng được sử dụng để cải thiện hiệu quả và độ chính xác học có giám sát của các bộ phân loại Mạng Nơron. Đặc trưng Bóng được suy ra từ động lực của các chuyển động cơ thể, nhờ đó mô hình hóa sức đẩy cơ bản của các hoạt động được thực hiện. Chúng cung cấp các chiều thông tin bổ sung để đặc trưng hóa các hoạt động trong quy trình phân loại và do đó cải thiện đáng kể độ chính xác. Những Đặc trưng Bóng này được tạo ra dựa trên các đặc điểm hiện có thu được từ các bộ dữ liệu cảm biến. Trong bài báo này, chúng tôi chỉ ra rằng độ chính xác của một bộ phân loại mạng nơron có thể được cải thiện đáng kể nhờ việc bổ sung Đặc trưng Bóng và chúng tôi cũng cho thấy rằng việc sinh ra Đặc trưng Bóng có thể thực hiện với chi phí thời gian rất ít, ngay lập tức, với công nghệ GPU NVIDIA và mô hình lập trình CUDA, bằng cách này, chúng tôi có thể cải thiện độ chính xác của Mạng Nơron gần như không tốn thời gian. Các GPU đặc biệt phù hợp cho việc sinh ra Đặc trưng Bóng, vì chúng sở hữu nhiều lõi mà có thể tận dụng, nhằm tạo ra các Đặc trưng Bóng cho nhiều cột dữ liệu theo cách song song, do đó giảm rất nhiều thời gian xử lý, đặc biệt là khi làm việc với các bộ dữ liệu lớn.
Từ khóa
Tài liệu tham khảo
Agarwal A, Triggs B (2006) Recovering 3d human pose from monocular images. IEEE Trans Pattern Anal Mach Intell, 44–58
Babiker M, Khalifa OO, Htike KK, Hassan A, Zaharadeen M (2017) Automated daily human activity recognition for video surveillance using neural network. In: 2017 IEEE 4th international conference on smart instrumentation, measurement and application (ICSIMA), pp 1–5
Bagate A, Shah M (2019) Human activity recognition using rgb-d sensors. In: 2019 international conference on intelligent computing and control systems (ICCS), pp 902–905
Bhattacharya S, Somayaji S, Reddy P, Kaluri R, Singh S, Gadekallu T, Alazab M, Tariq U (2020) A novel pca-firefly based xgboost classification model for intrusion detection in networks using gpu. Electronics 9:219
Blank M, Gorelick L, Shechtman E, Irani M, Basri R (2005) Actions as space-time shapes. In: Proceedings of the tenth IEEE international conference on computer vision (ICCV), vol 2, pp 1395–1402
Campbell LW, Becker DA, Azarbayejani A, Bobick AF, Pentland A (1996) A invariant features for 3-d gesture recognition. In: Proceedings of the second international conference on automatic face and gesture recognition, pp 157–162
Chan JH, Visutarrom T, Cho S-B, Engchuan W, Mongolnam P, Fong S (2016) A hybrid approach to human posture classification during tv watching. J Med Imag Health Inform. Accepted for publication
Danafar S, Gheissari N (2007) Action recognition for surveillance applications using optic flow and svm. Comput, 457–466
Dollár P, Rabaud V, Cottrell G, Belongie S (2005) Behavior recognition via sparse spatio-temporal features. In: Proceedings of the 2nd joint IEEE international workshop on visual surveillance and performance evaluation of tracking and surveillance, pp 65–72
Gadekallu T, Khare N, Bhattacharya S, Singh S, Reddy P, Srivastava G (2020) Deep neural networks to predict diabetic retinopathy. J Ambient Intell Humaniz Comput
Gavrilova M, Wang Y, Ahmed F, Paul PP (2018) Kinect sensor gesture and activity recognition: New applications for consumer cognitive systems. IEEE Consum Electron Mag 71:1–8
Hoang LUT, Ke S, Hwang J, Yoo J, Choi K (2012a) Human activity recognition based on 3d body modeling from monocular videos. In: Proceedings of frontiers of computer vision workshop, pp 6–13
Hoang LUT, Tuan PV, Hwang J (2012b) An effective 3d geometric relational feature descriptor for human action recognition. In: Proceedings of IEEE RIVF international conference on computing and communication technologies, research, innovation, and vision for the future (RIVF), pp 1–6
Iglesias JA, Angelov P, Ledezema A, Sanchis A (2010a) Human activity recognition based on evolving fuzzy systems. Int J Neural Syst 20:355–364
Iglesias JA, Ledezma A, Sanchis A (2010b) Human activity recognition based on evolving fuzzy systems. Int J Neural Syst 20:355–364
Käse N, Babaee M, Rigoll G (2017) Multi-view human activity recognition using motion frequency. In: 2017 IEEE international conference on image processing (ICIP), pp 3963–3967
Ke Y, Sukthankar R, Hebert M (2007) Spatio-temporal shape and flow correlation for action recognition. In: Proceedings of the IEEE conference on computer vision and pattern recognition (CVPR), pp 1–8
Kim Y, Sim S, Cho S, Lee W, Cho K, Jeong YS, Um K (2014) Intuitive nui for controlling virtual objects based on hand movements. In: Lecture notes in electrical engineering, vol 309, pp 457–461
Lee K, Chae S, Park H (2019) Optimal time-window derivation for human-activity recognition based on convolutional neural networks of repeated rehabilitation motions. In: 2019 IEEE 16th international conference on rehabilitation robotics (ICORR), pp 583–586
Lee S-M, Yoon SM, Cho H (2017) Human activity recognition from accelerometer data using convolutional neural network. In: 2017 IEEE international conference on big data and smart computing (BigComp), pp 131–134
Leo M, D’Orazio T, Spagnolo P (2004) Human activity recognition for automatic visual surveillance of wide areas. ACM, New York, pp 124–130
Liu C, Ying J, Han F, Ruan M (2018) Abnormal human activity recognition using bayes classifier and convolutional neural network. In: 2018 IEEE 3rd international conference on signal and image processing (ICSIP), pp 33–37
Mitra SK (2011) Human activity recognition using dtf. In: Proceedings of the third IEEE national conference on computer vision, pattern recognition, image processing and graphics (NCVPRIPG), pp 239–242
Müller M, Röder T (2005) Clausen efficient content-based retrieval of motion capture data. In: ACM Trans, pp 677–685
Museum TJPG (1990) Photography: discovery and invention
Psychoula I, Merdivan E, Singh D, Chen L, Chen F, Hanke S, Kropf J, Holzinger A, Geist M (2018) A deep learning approach for privacy preservation in assisted living. In: 2018 IEEE international conference on pervasive computing and communications workshops (PerCom Workshops), pp 710–715
Shecthman E, Irani M (2005) Space-time behavior based correlation. In: IEEE computer science society conference on computer vision and pattern recognition (CVPR), vol 1, pp 405–412
Singh D, Merdivan E, Hanke S, Kropf J, Geist M, Holzinger A (2017a) Convolutional and recurrent neural networks for activity recognition in smart environment, 194–205
Singh D, Merdivan E, Psychoula I, Kropf J, Hanke S, Geist M, Holzinger A (2017b) Human activity recognition using recurrent neural networks. In: Machine learning and knowledge extraction. Springer International Publishing, pp 267–274
Song W, Lu Z, Li J, Li J, lIao J, Cho K, Um K (2014) Hand gesture detection and tracking methods based on background subtraction. In: Lecture notes in electrical engineering, vol 309, pp 485–490
Sorkun MC, Danişman AE, İncel D (2018) Human activity recognition with mobile phone sensors: impact of sensors and window size. In: 2018 26th signal processing and communications applications conference (SIU), pp 1–4
Tsitsoulis A, Bourbakis N (2013) A first stage comparative survey on human activity recognition methodologies. Int J Artif Intell Tools, 22
Veeraraghavan A, Roy-Chowdhury AK, Chellapa R (2005) Matching shape sequences in video with applications in human movement analysis. IEEE Trans Pattern Anal Mach Intell, 1896–1909