論文の概要: Indoor Group Activity Recognition using Multi-Layered HMMs
- arxiv url: http://arxiv.org/abs/2101.10857v1
- Date: Sat, 23 Jan 2021 22:02:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-19 10:52:19.897862
- Title: Indoor Group Activity Recognition using Multi-Layered HMMs
- Title（参考訳）: 多層HMMを用いた屋内グループ活動認識
- Authors: Vinayak Elangovan
- Abstract要約: 画像データ処理に基づくグループアクティビティ(GA)は、監視システムに重要な応用がある。
グループ活動における一連の事象の識別と分類が可能な適切な推論モデルを備えたオントロジーGARを提案する。
多層マルコフモデル(HMM)は、異なる抽象的な観測レベルを認識するために提案される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Discovery and recognition of Group Activities (GA) based on imagery data
processing have significant applications in persistent surveillance systems,
which play an important role in some Internet services. The process is involved
with analysis of sequential imagery data with spatiotemporal associations.
Discretion of video imagery requires a proper inference system capable of
discriminating and differentiating cohesive observations and interlinking them
to known ontologies. We propose an Ontology based GAR with a proper inference
model that is capable of identifying and classifying a sequence of events in
group activities. A multi-layered Hidden Markov Model (HMM) is proposed to
recognize different levels of abstract GA. The multi-layered HMM consists of N
layers of HMMs where each layer comprises of M number of HMMs running in
parallel. The number of layers depends on the order of information to be
extracted. At each layer, by matching and correlating attributes of detected
group events, the model attempts to associate sensory observations to known
ontology perceptions. This paper demonstrates and compares performance of three
different implementation of HMM, namely, concatenated N-HMM, cascaded C-HMM and
hybrid H-HMM for building effective multi-layered HMM.
- Abstract（参考訳）: 画像データ処理に基づくグループ活動(ga)の発見と認識は,インターネットサービスにおいて重要な役割を果たす永続的監視システムにおいて重要な役割を担っている。
このプロセスは時空間的関連を持つ逐次画像データの解析に関わっている。
映像の識別には、凝集観察を識別し、識別し、それらを既知のオントロジーに関連付けることのできる適切な推論システムが必要である。
本稿では,グループ活動における事象の列を識別・分類できる適切な推論モデルを用いたオントロジーに基づくGARを提案する。
多層隠れマルコフモデル(HMM)は抽象GAの異なるレベルを認識するために提案される。
多層HMMはHMMのN層から構成され、各層はM個のHMMが並列に走る。
レイヤの数は、抽出される情報の順序に依存する。
各層において、検出されたグループイベントの属性を一致させ、関連付けることで、モデルは既知のオントロジー知覚と感覚観察を関連付けようとする。
本稿では,HMMの3つの異なる実装,すなわち,結合型N-HMM,カスケード型C-HMM,ハイブリッド型H-HMMの性能を比較して比較する。
関連論文リスト
- MMTSA: Multimodal Temporal Segment Attention Network for Efficient Human
Activity Recognition [37.88707215281562]
我々は、MMTSA(Multimodal Temporal Segment Attention Network)と呼ばれる、人間の活動認識のための新しいマルチモーダルニューラルネットワークを提案する。
MMTSAは,Gramian Angular Field(GAF)に基づくマルチモーダルデータアイソモーフィズム機構を採用し,冗長性を低減するために新しいマルチモーダルスパースサンプリング手法を適用した。
3つの公開データセットの厳密な評価により,人間活動認識におけるimuデータイメージングと注意機構の重要性を実証する。
論文 参考訳（メタデータ） (2022-10-14T08:05:16Z) - Hierarchical Compositional Representations for Few-shot Action
Recognition [58.11038843432964]
本稿では,新しい階層型合成表現(HCR)学習手法を提案する。
複雑なアクションを、慎重に設計された階層的クラスタリングによって、いくつかのサブアクションに分割する。
また、輸送問題において、サブアクション表現の観点から、ビデオサンプル間の類似度を測定するために、アースモーバー距離(Earth Mover's Distance)を採用した。
論文 参考訳（メタデータ） (2022-08-19T16:16:59Z) - Multiplex-detection Based Multiple Instance Learning Network for Whole
Slide Image Classification [2.61155594652503]
マルチ・インスタンス・ラーニング(MIL)は、診断病理のためのスライド画像全体(WSI)を分類する強力な手法である。
本稿では,上記の問題に対処するために,MDMIL(Multiple-detection-based multiple instance learning)を提案する。
具体的には、MDMILは内部クエリ生成モジュール(IQGM)と多重検出モジュール(MDM)によって構成される。
論文 参考訳（メタデータ） (2022-08-06T14:36:48Z) - Fuzzy Cognitive Maps and Hidden Markov Models: Comparative Analysis of
Efficiency within the Confines of the Time Series Classification Task [0.0]
時系列分類における隠れマルコフモデル(HMM)の適用について検討する。
HMM NN (HMM, 1シリーズ), HMM 1C (HMM, 1クラス), FCM NN, FCM 1C の4つのモデルを連続実験で検討した。
論文 参考訳（メタデータ） (2022-04-28T12:41:05Z) - MRI-based Multi-task Decoupling Learning for Alzheimer's Disease
Detection and MMSE Score Prediction: A Multi-site Validation [9.427540028148963]
MRIによる高齢者健診におけるアルツハイマー病(AD)の正確な検出とMMSEスコアの予測は重要な課題である
これら2つのタスクに関する従来の手法のほとんどは、シングルタスク学習に基づいており、それらの相関を考慮することは滅多にない。
本稿では,AD検出とMMSEスコア予測のためのMRIに基づくマルチタスク分離学習手法を提案する。
論文 参考訳（メタデータ） (2022-04-02T09:19:18Z) - Consistency and Diversity induced Human Motion Segmentation [231.36289425663702]
本稿では,CDMS(Consistency and Diversity induced Human Motion)アルゴリズムを提案する。
我々のモデルは、ソースとターゲットデータを異なる多層特徴空間に分解する。
ソースとターゲットデータ間の領域ギャップを低減するために、マルチミューチュアル学習戦略を実行する。
論文 参考訳（メタデータ） (2022-02-10T06:23:56Z) - Hyperspectral Image Segmentation based on Graph Processing over
Multilayer Networks [51.15952040322895]
ハイパースペクトル画像(HSI)処理の1つの重要な課題は、スペクトル空間的特徴の抽出である。
M-GSP特徴抽出に基づくHSIセグメンテーションへのいくつかのアプローチを提案する。
HSI処理とスペクトル空間情報抽出におけるM-GSPの強度を実験的に検証した。
論文 参考訳（メタデータ） (2021-11-29T23:28:18Z) - Manifold Topology Divergence: a Framework for Comparing Data Manifolds [109.0784952256104]
本研究では,深部生成モデルの評価を目的としたデータ多様体の比較フレームワークを開発する。
クロスバーコードに基づき,manifold Topology Divergence score(MTop-Divergence)を導入する。
MTop-Divergenceは,様々なモードドロップ,モード内崩壊,モード発明,画像乱れを正確に検出する。
論文 参考訳（メタデータ） (2021-06-08T00:30:43Z) - Image Modeling with Deep Convolutional Gaussian Mixture Models [79.0660895390689]
画像の記述と生成に適したGMM(Deep Hierarchical Gaussian Mixture Models)の新しい定式化を紹介します。
DCGMMは、畳み込みとプーリング操作によってリンクされた複数のGMM層の積み重ねたアーキテクチャによってこれを回避している。
dcgmmsでシャープな画像を生成するために,畳み込みやプーリングなどの非可逆操作をサンプリングする新しい勾配に基づく手法を提案する。
MNISTとFashionMNISTのデータセットに基づいて,クラスタリング,サンプリング,外乱検出において,フラットなGMMよりも優れていることを示すことで,DCGMMsモデルを検証した。
論文 参考訳（メタデータ） (2021-04-19T12:08:53Z) - Malware Classification with GMM-HMM Models [8.02151721194722]
本稿では,GMM-HMMをマルウェア分類に用いた結果と,離散HMMを用いた結果を比較した。
当社のオプコード機能では、GMM-HMMは離散HMMを使用して得られる結果に匹敵する結果をもたらします。
論文 参考訳（メタデータ） (2021-03-03T23:23:48Z) - DS-UI: Dual-Supervised Mixture of Gaussian Mixture Models for
Uncertainty Inference [52.899219617256655]
本稿では、ディープニューラルネットワーク(DNN)に基づく画像認識において、ベイズ推定に基づく不確実性推論(UI)を改善するための二重教師付き不確実性推論(DS-UI)フレームワークを提案する。
DS-UIでは、最後の完全連結(FC)層とガウス混合モデル(MoGMM)を組み合わせ、MoGMM-FC層を得る。
実験の結果,DS-UIは誤分類検出において最先端のUI手法よりも優れていた。
論文 参考訳（メタデータ） (2020-11-17T12:35:02Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。