使用深度学习技术对人类活动进行智能识别
Shazab Bashir1,2, Arfan Jaffar1,2, Muhammad Rashid3
1Faculty of Computer Science & Information Technology, The Superior University, Lahore, Pakistan.
PloS one
|April 24, 2025
概括
这项研究使用一组深度学习模型在视频中增强了人为动作识别 (HAR). 先进的组合方法实现了卓越的准确性,为医疗保健和监控应用制定了新的标准.
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:
- 人类动作识别 (HAR) 对于分析视频中的人类行为至关重要.
- 深度学习框架为HAR任务提供了强大的工具.
- 现有的方法可以改进,以提高准确性和可靠性.
研究的目的:
- 在RGB视频中使用深度学习来调查和增强人类行动识别 (HAR).
- 开发一个整体模型,集成3D-AlexNet-RF和InceptionV3 Google-Net,以提高HAR准确度.
- 评估整体框架对各种人类行为HMDB51数据集的表现.
主要方法:
- 使用了一种组合方法,将3D-AlexNet-RF和InceptionV3 Google-Net模型的预测结合起来.
- 在HMDB51数据集上的训练膨胀3D (I3D) 视频分类器.
- 采用投票或平均技术,将单个模型预测合并为最终分类.
主要成果:
- 在HMDB51数据集上实现了99.54%的总准确性.
- 在包括精度 (97.94%),回忆 (97.94%) 和F1-Score (97.88%) 在内的各种指标上表现出高绩效.
- 合奏模型在HAR任务中被证明是非常有效和可靠的.
结论:
- 拟议的合奏模型显著提高了HAR的性能.
- 这种方法为医疗保健,监视和人机交互的应用设定了新的标准.
- 多层组合显示出增强可穿戴技术识别的潜力.
