La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Deep State-Space Model for Noise Tolerant Skeleton-Based Action Recognition Modèle d'espace d'état profond pour la reconnaissance d'actions basée sur un squelette tolérant au bruit

Kazuki KAWAMURA, Takashi MATSUBARA, Kuniaki UEHARA

  • Vues en texte intégral

    0

  • Citer

Résumé:

La reconnaissance d'actions à l'aide de données de squelette (coordonnées 3D d'articulations humaines) est un sujet attrayant en raison de sa robustesse face à l'apparence de l'acteur, au point de vue de la caméra, à l'éclairage et à d'autres conditions environnementales. Cependant, les données squelettes doivent être mesurées par un capteur de profondeur ou extraites des données vidéo à l’aide d’un algorithme d’estimation, ce qui risque d’entraîner des erreurs d’extraction et du bruit. Dans ce travail, pour une reconnaissance d'action robuste basée sur un squelette, nous proposons un modèle d'espace d'état profond (DSSM). Le DSSM est un modèle génératif profond de la dynamique sous-jacente d'une séquence observable. Nous avons appliqué le DSSM proposé aux données squelettes et les résultats démontrent qu'il améliore les performances de classification d'une méthode de base. De plus, nous confirmons que l’extraction de caractéristiques avec le DSSM proposé rend les classifications ultérieures robustes au bruit et aux valeurs manquantes. Dans de tels contextes expérimentaux, le DSSM proposé surpasse une méthode de pointe.

Publication
IEICE TRANSACTIONS on Information Vol.E103-D No.6 pp.1217-1225
Date de publication
2020/06/01
Publicisé
2020/03/18
ISSN en ligne
1745-1361
DOI
10.1587/transinf.2019MVP0012
Type de manuscrit
Special Section PAPER (Special Section on Machine Vision and its Applications)
Catégories

Auteurs

Kazuki KAWAMURA
  Kobe University
Takashi MATSUBARA
  Kobe University
Kuniaki UEHARA
  Kobe University

Mots-clés

Table des matières