视觉智能用于高效的人类行动识别的人类计算机互动应用程序中的视觉智能
Noorah Alghasham1, Waleed Albattah1
1Department of Information Technology, College of Computer, Qassim University, Buraydah, Saudi Arabia.
PloS one
|March 5, 2026
概括
本研究介绍了使用CNN和RNN进行人类行动识别 (HAR) 的高效深度学习模型. 由人工智能驱动的方法在理解人类行为方面实现了高准确性,以增强人与计算机的互动.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 人与计算机的交互
背景情况:
- 传统的人类行动识别 (HAR) 方法因依赖手工制作的功能和浅层学习而难以处理复杂的模式.
- 有效和准确的HAR模型对于推进计算机视觉,视频监控和人机交互 (HCI) 至关重要.
研究的目的:
- 为人类行动识别 (HAR) 提出一个高效的深度神经网络模型,以改善HCI体验.
- 为了增强人工智能驱动的行动理解,用于现实世界的应用.
主要方法:
- 使用混合深度学习架构,将卷积神经网络 (CNN) 和循环神经网络 (RNN) 结合起来.
- 采用预先训练的 EfficientNetB7 来进行空间特征提取和长期短期记忆 (LSTM) 网络用于时间依赖模型.
- 专注于减少实际HCI部署的计算复杂性.
主要成果:
- 实现了高分类准确性:UCF101数据集上的97.8%,HMDB51数据集上的80.1%.
- 在识别准确性方面表现优于现有的最先进的HAR模型.
- 通过消除对数据增强技术的需求,证明了效率.
结论:
- 拟议的CNN-RNN模型为HAR提供了卓越的性能和效率.
- 该模型对现实世界中的HCI应用具有显著的潜力,需要准确和快速的人类行动识别.
- 这种由人工智能驱动的方法在计算机视觉中推进了行动理解.
