采用图形神经网络来分析人与物体的交互,以推断日常生活中的活动
1Department of Engineering Design, KTH Royal Institute of Technology, 100 44 Stockholm, Sweden.
Sensors (Basel, Switzerland)
|April 27, 2024
概括
本研究引入了图形神经网络 (GNN) 框架用于人类活动识别 (HAR),通过分析传感器数据的人物对象交互来改善日常活动识别.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 机器人技术 机器人技术 机器人技术
背景情况:
- 人类活动识别 (HAR) 对智能家居和辅助机器人至关重要.
- 目前的HAR方法通常使用相机的姿势估计和对象分类.
- 利用人与物体的互动可以提高HAR的准确性和合理性.
研究的目的:
- 通过使用图形神经网络 (GNN) 提出HAR的新框架.
- 为了更好地识别日常活动,明确分析人与物体的互动.
- 加强与活动相关的环境对象的推断.
主要方法:
- 开发了一个使用图形神经网络 (GNN) 建模人与物体交互的框架.
- 从关系数据编码的相关性来推断活动和相关对象.
- 评估了丰田智能家居数据集的框架.
主要成果:
- 在分类日常活动方面,GNN框架实现了0.88准确度,超过了传统的前网络.
- 将关系数据纳入GNN,使得对象推理准确度从0.71提高到0.77.
- 在人类活动识别和对象推断方面表现出卓越的表现.
结论:
- 拟议的GNN框架通过分析人与物体的交互来有效地识别人类活动.
- 与传统方法相比,明确模拟交互显著改善了HAR.
- 这种方法为智能环境中的活动识别提供了更强大,更易于解释的解决方案.
更多相关视频
11:14A Novel Experimental and Analytical Approach to the Multimodal Neural Decoding of Intent During Social Interaction in Freely-behaving Human Infants
Published on: October 4, 2015
10.9K
06:37Author Spotlight: Addressing Technical and Subjective Challenges in Measuring Classroom Attention
Published on: December 15, 2023
3.7K
