ELIÁŠ, Petr, Jan SEDMIDUBSKÝ a Pavel ZEZULA. A Real-Time Annotation of Motion Data Streams. In 19th IEEE International Symposium on Multimedia. Neuveden: IEEE Computer Society, 2017. s. 154-161, 8 s. ISBN 978-1-5386-2937-6. doi:10.1109/ISM.2017.29.
Další formáty:   BibTeX LaTeX RIS
Základní údaje
Originální název A Real-Time Annotation of Motion Data Streams
Autoři ELIÁŠ, Petr (203 Česká republika, domácí), Jan SEDMIDUBSKÝ (203 Česká republika) a Pavel ZEZULA (203 Česká republika, domácí).
Vydání Neuveden, 19th IEEE International Symposium on Multimedia, od s. 154-161, 8 s. 2017.
Nakladatel IEEE Computer Society
Další údaje
Originální jazyk angličtina
Typ výsledku Stať ve sborníku
Obor 10201 Computer sciences, information science, bioinformatics
Utajení není předmětem státního či obchodního tajemství
Forma vydání paměťový nosič (CD, DVD, flash disk)
Kód RIV RIV/00216224:14330/17:00094976
Organizační jednotka Fakulta informatiky
ISBN 978-1-5386-2937-6
Doi http://dx.doi.org/10.1109/ISM.2017.29
Klíčová slova anglicky motion capture data; motion data stream; real-time annotation; motion profiles; online segmentation; similarity measure; deep neural network
Štítky DISA, firank_B
Příznaky Mezinárodní význam, Recenzováno
Změnil Změnil: RNDr. Pavel Šmerk, Ph.D., učo 3880. Změněno: 18. 5. 2018 08:58.
Anotace
Current motion-capture technologies produce continuous streams of 3D human joint trajectories. One of the challenges is to automatically annotate such streams of complex spatio-temporal data in real time. In this paper, we propose an efficient approach to label motion stream data in real time with a limited usage of main memory. Based on a set of user-defined motion profiles, each of them specified by multiple representative samples, the currently visible part of an input motion stream is processed by identifying a moderate number of segments of various lengths. These segments are compared to the profiles to measure their similarity. The segments having a high similarity to a given motion profile are annotated with the corresponding label. The proposed approach performs fast, allows profiles to be dynamically changed at runtime, and does not require any learning procedure, in comparison with existing solutions evaluated on real-life data.
Návaznosti
GA16-18889S, projekt VaVNázev: Analytika pro velká nestrukturovaná data (Akronym: Big Data Analytics for Unstructured Data)
Investor: Grantová agentura ČR, Standardní projekty
VytisknoutZobrazeno: 21. 1. 2020 09:51