SEDMIDUBSKÝ, Jan, Petr ELIÁŠ a Pavel ZEZULA. Effective and Efficient Similarity Searching in Motion Capture Data. Multimedia Tools and Applications, Springer US, 2018, roč. 77, č. 10, s. 12073-12094. ISSN 1380-7501. doi:10.1007/s11042-017-4859-7.
Další formáty:   BibTeX LaTeX RIS
Základní údaje
Originální název Effective and Efficient Similarity Searching in Motion Capture Data
Autoři SEDMIDUBSKÝ, Jan (203 Česká republika, garant, domácí), Petr ELIÁŠ (203 Česká republika, domácí) a Pavel ZEZULA (203 Česká republika, domácí).
Vydání Multimedia Tools and Applications, Springer US, 2018, 1380-7501.
Další údaje
Originální jazyk angličtina
Typ výsledku Článek v odborném periodiku
Obor 10201 Computer sciences, information science, bioinformatics
Stát vydavatele Spojené státy americké
Utajení není předmětem státního či obchodního tajemství
Impakt faktor Impact factor: 2.101
Kód RIV RIV/00216224:14330/18:00100703
Organizační jednotka Fakulta informatiky
Doi http://dx.doi.org/10.1007/s11042-017-4859-7
UT WoS 000433202100021
Klíčová slova anglicky Motion capture data retrieval;Effective similarity measure;Efficient indexing;k-NN query;Motion image;Convolutional neural network;Fixed-size motion feature
Štítky DISA
Příznaky Mezinárodní význam, Recenzováno
Změnil Změnil: RNDr. Jan Sedmidubský, Ph.D., učo 60474. Změněno: 16. 4. 2019 07:37.
Anotace
Motion capture data describe human movements in the form of spatio-temporal trajectories of skeleton joints. Intelligent management of such complex data is a challenging task for computers which requires an effective concept of motion similarity. However, evaluating the pair-wise similarity is a difficult problem as a single action can be performed by various actors in different ways, speeds or starting positions. Recent methods usually model the motion similarity by comparing customized features using distance-based functions or specialized machine-learning classifiers. By combining both these approaches, we transform the problem of comparing motions of variable sizes into the problem of comparing fixed-size vectors. Specifically, each rather-short motion is encoded into a compact visual representation from which a highly descriptive 4,096-dimensional feature vector is extracted using a fine-tuned deep convolutional neural network. The advantage is that the fixed-size features are compared by the Euclidean distance which enables efficient motion indexing by any metric-based index structure. Another advantage of the proposed approach is its tolerance towards an imprecise action segmentation, the variance in movement speed, and a lower data quality. All these properties together bring new possibilities for effective and efficient large-scale retrieval.
Návaznosti
GBP103/12/G084, projekt VaVNázev: Centrum pro multi-modální interpretaci dat velkého rozsahu
Investor: Grantová agentura ČR, Projekty na podporu excelence v základním výzkumu
MUNI/A/0992/2016, interní kód MUNázev: Zapojení studentů Fakulty informatiky do mezinárodní vědecké komunity (Akronym: SKOMU)
Investor: Masarykova univerzita, Grantová agentura MU, Kategorie A - Specifický výzkum - Studentské výzkumné projekty
VytisknoutZobrazeno: 28. 1. 2020 02:46