双向ConvLSTM网络用于早期识别人类活动和预测行动
M Ashwin Shenoy1,2, N Thillaiarasu3, S Santhosh4
1School of Computing and Information Technology, REVA University, Bangalore, Karnataka, India. ashwinshenoy14@gmail.com.
Scientific reports
|November 6, 2025
概括
这项研究引入了双向卷积长期短期记忆 (Bi-ConvLSTM) 网络,用于准确早期检测人类活动. 这种新的方法增强了实时预测和识别不完整的行动,优于现有的模型.
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:
- 准确的早期检测人类活动对于机器人,监视和医疗保健至关重要,但传统方法在顺序和不完整的数据上扎.
- 现有的动作识别模型通常是为离线分析而设计的,不能有效预测实时动作或从部分数据中识别活动.
研究的目的:
- 提出一种新的双向卷积长期短期记忆 (Bi-ConvLSTM) 网络,以提高人类行为的早期检测和预测.
- 通过使用顺序和不完整的数据,提高识别活动启动和正在进行的行动的准确性和速度.
主要方法:
- 开发了一个双向卷积长期短期记忆 (Bi-ConvLSTM) 网络,集成空间和时间特征,用于连续的数据处理.
- 采用基于细分的策略,将输入序列划分为较小的间隔,以关注特定的时间模式和上下文线索.
- 该模型在一个多样化,现实世界的数据集上进行了评估,以捕捉复杂环境中的人类行为.
主要成果:
- 拟议的Bi-ConvLSTM模型实现了平均准确率为89.54%,超过了CNN,InceptionV3,VGG19和标准的ConvLSTM网络.
- 该模型在识别活动启动和从不完整的数据预测正在进行的行动方面表现出卓越的表现.
- 实验结果证实了该模型在平衡早期检测准确性与快速决策方面的有效性.
结论:
- Bi-ConvLSTM网络显著改善了人类行为的早期检测和预测,为实时应用提供了强大的解决方案.
- 这一进步使得在需要快速识别人类活动的领域,系统更具响应性和智能化.
- 该研究强调了Bi-ConvLSTM网络在解决当前人类活动识别模型的局限性方面的潜力.
