SEDMIDUBSKÝ, Jan a Pavel ZEZULA. Probabilistic Classification of Skeleton Sequences. In S. Hartmann et al.. 29th International Conference on Database and Expert Systems Applications (DEXA 2018). Switzerland: Springer, 2018. s. 50-65, 16 s. ISBN 978-3-319-98811-5. doi:10.1007/978-3-319-98812-2_4.
Další formáty:   BibTeX LaTeX RIS
Základní údaje
Originální název Probabilistic Classification of Skeleton Sequences
Autoři SEDMIDUBSKÝ, Jan (203 Česká republika, garant, domácí) a Pavel ZEZULA (203 Česká republika, domácí).
Vydání Switzerland, 29th International Conference on Database and Expert Systems Applications (DEXA 2018), od s. 50-65, 16 s. 2018.
Nakladatel Springer
Další údaje
Originální jazyk angličtina
Typ výsledku Stať ve sborníku
Obor 10200 1.2 Computer and information sciences
Utajení není předmětem státního či obchodního tajemství
Forma vydání paměťový nosič (CD, DVD, flash disk)
Impakt faktor Impact factor: 0.402 v roce 2005
Kód RIV RIV/00216224:14330/18:00100948
Organizační jednotka Fakulta informatiky
ISBN 978-3-319-98811-5
ISSN 0302-9743
Doi http://dx.doi.org/10.1007/978-3-319-98812-2_4
UT WoS 000460551600004
Klíčová slova anglicky motion capture data; nearest-neighbor search; action recognition; action classification; re-ranking; similarity measure
Štítky DISA, firank_B
Příznaky Mezinárodní význam, Recenzováno
Změnil Změnil: RNDr. Pavel Šmerk, Ph.D., učo 3880. Změněno: 30. 4. 2019 08:16.
Anotace
Automatic classification of 3D skeleton sequences of human motions has applications in many domains, ranging from entertainment to medicine. The classification is a difficult problem as the motions belonging to the same class needn't be well segmented and can be performed by subjects of various body sizes in different styles and speeds. The state-of-the-art recognition approaches commonly solve this problem by training recurrent neural networks to learn the contextual dependency in both spatial and temporal domains. In this paper, we employ a distance-based similarity measure, based on deep convolutional features, to search for the k-nearest motions with respect to a query motion being classified. The retrieved neighbors are analyzed and re-ranked by additional measures that are automatically chosen for individual queries. The combination of deep features, dynamism in the similarity-measure selection, and a new kNN classifier brings the highest classification accuracy on a challenging dataset with 130 classes. Moreover, the proposed approach can promptly react to changing training data without any need for a retraining process.
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
VytisknoutZobrazeno: 18. 1. 2020 18:18