Abstract—Human activity recognition

Abstract—Human activity recognition is an active research

area in the computer science because it is widely used in the fields

of the security monitoring, health assessment, human machine

interaction and other human related content searching. In this

paper, a computer vision model based on the deep learning

algorithm is proposed, which can recognize the human physical

activity based on the skeleton data of the human body from the

sensor of Microsoft Kinect. This model uses the human skeletons

data from the CAD-60 dataset to recognize the human physical

activity without using any prior knowledge. It can reduce the

works on the stage of data preprocessing and feature extraction.

It can also improve the generalization performance and

robustness of the model, and give a better understanding of the

human physical activity. Different tricks which can improve the

performance of the neural networks, such as some regularization

methods and other activation functions are tested. Finally, a

convolutional neural network is used for the feature extraction,

and a multilayer perceptron is used as the following classifier.

The model can recognize twelve types of activities and the

accuracy rate is 81.8%. It demonstrates that it is very effective to

use the convolutional neural network to supervised learning and

this model applies to human physical activity recognition.

ผลลัพธ์ (ไทย) 1:

นามธรรมซึ่งการรับรู้กิจกรรมของมนุษย์เป็นงานวิจัยในวิทยาการคอมพิวเตอร์เนื่องจากมันถูกใช้ในเขตข้อมูลตรวจสอบความปลอดภัย การประเมินสุขภาพ เครื่องการโต้ตอบและบุคคลอื่น ๆ ที่เกี่ยวข้องค้นหาเนื้อหา ในการนี้กระดาษ คอมพิวเตอร์วิสัยทัศน์รุ่นที่อิงการเรียนรู้ลึกอัลกอริทึมจะเสนอ ซึ่งสามารถรับรู้ทางกายภาพมนุษย์กิจกรรมตามข้อมูลโครงกระดูกของมนุษย์จากการเซนเซอร์ของ Microsoft Kinect รุ่นนี้ใช้โครงกระดูกมนุษย์ข้อมูลจากชุดข้อมูล CAD-60 การรับรู้ทางกายภาพมนุษย์กิจกรรมโดยไม่มีความรู้เดิม มันสามารถลดการการทำงานในขั้นตอนของการสกัดคุณลักษณะและการประมวลผลเบื้องต้นของข้อมูลนอกจากนี้มันยังสามารถปรับปรุงประสิทธิภาพการทำงานลักษณะทั่วไป และความทนทานของรูปแบบ และให้ความเข้าใจอันดีของการกิจกรรมทางกายภาพที่มนุษย์ เทคนิคแตกต่างกันซึ่งสามารถปรับปรุงการประสิทธิภาพของเครือข่ายประสาท เช่น regularization บางจะมีทดสอบวิธีการและการเปิดใช้งานฟังก์ชันอื่น ๆ ในที่สุด การใช้การสกัดคุณลักษณะ สลับลำดับข้อมูลโครงข่ายประสาทและเพอร์เซปตรอนหลายชั้นที่ใช้เป็นลักษณนามดังต่อไปนี้รูปแบบสามารถรับรู้กิจกรรมสิบสองชนิดและอัตราความแม่นยำเป็น 81.8% มันแสดงให้เห็นว่า มันมีประสิทธิภาพมากในการใช้การสลับลำดับข้อมูลโครงข่ายประสาทเพื่อดูแลการเรียนรู้ และรุ่นนี้กับกิจกรรมทางกายภาพที่มนุษย์รับรู้นั้น

ผลลัพธ์ (ไทย) 2:

การรับรู้กิจกรรมที่เป็นนามธรรมมนุษย์เป็นงานวิจัย

ในพื้นที่วิทยาการคอมพิวเตอร์เพราะมันถูกนำมาใช้กันอย่างแพร่หลายในเขตข้อมูล

ของการตรวจสอบการรักษาความปลอดภัย, การประเมินภาวะสุขภาพเครื่องมนุษย์

ปฏิสัมพันธ์และที่เกี่ยวข้องกับมนุษย์ค้นหาเนื้อหาอื่น ๆ ในการนี้

กระดาษรูปแบบคอมพิวเตอร์วิสัยทัศน์บนพื้นฐานของการเรียนรู้ลึก

ขั้นตอนวิธีการเสนอซึ่งสามารถรับรู้ทางกายภาพของมนุษย์

กิจกรรมบนพื้นฐานของข้อมูลที่เป็นโครงกระดูกของร่างกายมนุษย์จาก

เซ็นเซอร์ของ Microsoft Kinect รุ่นนี้ใช้โครงกระดูกมนุษย์

ข้อมูลจากชุดข้อมูลที่ CAD-60 ที่จะรับรู้ทางกายภาพของมนุษย์

กิจกรรมโดยไม่ต้องใช้ความรู้ใด ๆ ก่อน มันสามารถลดการ

ทำงานในขั้นตอนของการประมวลผลเบื้องต้นข้อมูลและการสกัดคุณลักษณะ.

นอกจากนี้ยังสามารถปรับปรุงประสิทธิภาพการทำงานทั่วไปและ

ความทนทานของรูปแบบและให้ความเข้าใจที่ดีขึ้นของ

การออกกำลังกายของมนุษย์ เทคนิคที่แตกต่างกันซึ่งสามารถปรับปรุง

ประสิทธิภาพการทำงานของเครือข่ายประสาทเช่นกูบาง

วิธีการและฟังก์ชั่นการเปิดใช้งานอื่น ๆ ที่ได้รับการทดสอบ ในที่สุด

เครือข่ายประสาทสับสนถูกนำมาใช้ในการสกัดคุณลักษณะ

และ Perceptron หลายใช้เป็นลักษณนามต่อไป.

รูปแบบที่สามารถรับรู้สิบสองประเภทของกิจกรรมและ

อัตราความถูกต้องเป็น 81.8% มันแสดงให้เห็นว่ามันมีประสิทธิภาพมากในการ

ใช้เครือข่ายประสาทความสับสนต่อการเรียนรู้ภายใต้การดูแลและ

รุ่นนี้นำไปใช้กับการรับรู้การออกกำลังกายของมนุษย์

ผลลัพธ์ (ไทย) 3:

บทคัดย่อกิจกรรมของมนุษย์รับรู้การใช้งานวิจัยพื้นที่ในคอมพิวเตอร์เพราะมันถูกใช้กันอย่างแพร่หลาย ในเขตข้อมูลของการรักษาความปลอดภัยการประเมินสุขภาพ เครื่องจักรมนุษย์ปฏิสัมพันธ์ของมนุษย์อื่น ๆที่เกี่ยวข้องและเนื้อหาการค้นหา ในนี้กระดาษ , การมองเห็นของคอมพิวเตอร์แบบตามการเรียนรู้ที่ลึกนำเสนอวิธีการที่สามารถรับรู้มนุษย์ทางกายภาพกิจกรรมตามโครงสร้างของร่างกายมนุษย์จากข้อมูลเซ็นเซอร์ Kinect ของ Microsoft . รุ่นนี้ใช้โครงกระดูกของมนุษย์ข้อมูลจาก cad-60 วันที่รู้จักมนุษย์ทางกายภาพกิจกรรมโดยไม่ต้องใช้ความรู้ใด ๆ มันสามารถลดผลงานบนเวทีข้อมูล preprocessing และการสกัดคุณลักษณะนอกจากนี้ยังสามารถปรับปรุงประสิทธิภาพการและความแกร่งของรุ่น และให้ความเข้าใจที่ดีขึ้นของกิจกรรมทางกายของมนุษย์ เคล็ดลับที่แตกต่างกันซึ่งสามารถปรับปรุงประสิทธิภาพของโครงข่ายประสาทเทียม เช่นบางเรกูลาร์วิธีการและฟังก์ชั่นใช้งานอื่นๆ ทดสอบ ในที่สุดเครือข่ายประสาทขดใช้คุณลักษณะการสกัดและชั้นธรรมดาใช้ดังนี้ 1 .แบบสามารถรู้จักชนิดของกิจกรรม และสิบสองอัตราความถูกต้องเป็น 81.8 % มันแสดงให้เห็นว่ามันมีประสิทธิภาพมากการใช้โครงข่ายประสาทเทียมแบบขดเพื่อการเรียนรู้รุ่นนี้ใช้กับการรับรู้กิจกรรมทางกายภาพของมนุษย์