在深度学习方法中的HARNet - - 一个系统的调查
Neelam Sanjeev Kumar1, G Deepika2, V Goutham3
1Department of Computer Science and Engineering, SRM Institute of Science and Technology, Vadapalani, Chennai, Tamil Nadu, 600026, India.
Scientific reports
|April 10, 2024
概括
这项调查探讨了使用深度学习和计算机视觉的人类行为识别 (HAR). 它介绍了HARNet,一种新的架构,并分析了像VideoMAE v2这样的方法,以提高性能.
科学领域:
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
- 人工智能的人工智能
背景情况:
- 人类动作识别 (HAR) 从手工制作的功能发展到深度学习.
- 大规模的数据集对于推进HAR方法论至关重要.
- 在HAR中现有的研究范式包括时间建模和空间特征提取.
研究的目的:
- 在深度学习和计算机视觉的交叉点提供HAR方法的全面概述.
- 将研究范式分类,突出其各自的优缺点.
- 为了介绍HARNet,一个新的多模型深度学习架构.
主要方法:
- 在HAR.中对手工制作的基于特征和端到端的深度学习方法的审查.
- 基于时间建模和空间特征的研究范式的分类.
- 开发和介绍HARNet,集成循环神经网络 (RNN),卷积神经网络 (CNN) 和注意力机制.
- 使用VideoMAE v2方法进行实际实施分析的案例研究.
主要成果:
- 一个拟议的分类学,阐明了不同HAR研究范式的优缺点.
- 通过整合各种神经网络架构和注意力机制,HARNet表现出更高的准确性和稳定性.
- 视频MAE v2案例研究提供了对 HAR. 的实际实施挑战和解决方案的见解.
结论:
- 该调查为研究人员和从业人员提供了宝贵的资源,他们希望了解HAR的最新进展.
- 在开发更准确,更强大的人类行动识别系统方面,HARNet是一个重大进步.
- 该研究强调了整合各种深度学习技术和利用大型数据集对未来HAR研究的重要性.
