人类活动识别使用级联双重注意力CNN和双向GRU框架
1Department of Computer Science, Kansas State University, Manhattan, KS 66506, USA.
Journal of imaging
|July 28, 2023
概括
这项研究引入了一种高效的双注意力卷积神经网络 (DA-CNN) 和双向封闭循环单元 (Bi-GRU) 框架,用于人类活动识别 (HAR). 该模型提高了准确性和计算效率,达到167倍更快的推断速度.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 基于视觉的人类活动识别 (HAR) 对视频分析至关重要.
- 现有的HAR深度学习方法通常在准确性和计算效率之间进行权衡.
- 需要HAR模型,既准确又计算高效.
研究的目的:
- 为HAR提出一个计算效率高和通用的时空级联框架.
- 提高人类活动识别模型的准确性和计算效率.
- 为了解决当前HAR方法的局限性,优先考虑性能或效率.
主要方法:
- 开发了一种高效的双注意力卷积神经网络 (DA-CNN),用于使用统一的通道空间注意力机制提取突出特征.
- 采用堆叠的双向封闭循环单元 (Bi-GRU) 进行长期时间建模和动作识别.
- 将DA-CNN和Bi-GRU集成到一个级联的空间时间特征利用框架中.
主要成果:
- 拟议的DA-CNN+Bi-GRU框架在三个公开的HAR数据集上表现出优于最先进的方法的性能.
- 在模型准确性和推理运行时间方面取得了显著的改进.
- 与当代方法相比,表现出高达167倍的每秒的执行时间改进.
结论:
- DA-CNN+Bi-GRU框架有效地平衡了HAR的准确性和计算效率.
- 拟议的模型为实时视频分析任务提供了强大的解决方案.
- 这种方法通过提供高效和准确的模型来推进基于视觉的人类活动识别领域.
