用于人體動作識別的26層卷積神經(jīng)網(wǎng)絡(luò)

諸如卷積神經(jīng)網(wǎng)絡(luò)(CNN)之類的深度學(xué)習(xí)算法已在各種任務(wù)上取得了顯著成果，包括那些涉及識別圖像中特定人物或物體的任務(wù)?；谝曈X的人類動作識別(HAR)是計(jì)算機(jī)科學(xué)家經(jīng)常嘗試使用深度學(xué)習(xí)解決的任務(wù)，它特別需要識別圖像或視頻中捕獲的人類動作。

HITEC大學(xué)和巴基斯坦伊斯蘭堡基礎(chǔ)大學(xué)，韓國世宗大學(xué)和中正大學(xué)，英國萊斯特大學(xué)和沙特阿拉伯蘇丹王子大學(xué)的研究人員最近開發(fā)了一種新的CNN，用于識別視頻中的人類行為。該CNN在Springer Link的“多媒體工具和應(yīng)用程序”期刊上發(fā)表的一篇論文中進(jìn)行了介紹，經(jīng)過培訓(xùn)可以區(qū)分幾種不同的人類動作，包括拳擊，拍手，揮舞，慢跑，跑步和散步。

研究人員在論文中寫道：“我們設(shè)計(jì)了一種新的26層卷積神經(jīng)網(wǎng)絡(luò)(CNN)架構(gòu)，用于精確的復(fù)雜動作識別。” “這些特征是從全局平均池化層和完全連接(FC)層中提取的，并通過建議的基于高熵的方法進(jìn)行融合。”

當(dāng)試圖識別人類在圖像或視頻中的動作時，CNN通常會將其分析重點(diǎn)放在許多潛在的相關(guān)特征上。但是，某些人類動作(例如慢跑和步行)可能非常相似，這使得這些算法很難區(qū)分它們，特別是如果它們專注于相似性核心的特征時。為了克服這一挑戰(zhàn)，研究人員使用了一種方法，該方法將稱為Poisson分布的特征選擇方法與單變量測量(PDaUM)合并在一起。

研究人員觀察到，CNN所基于的分析功能有時可能不相關(guān)或多余，這導(dǎo)致它們做出錯誤的預(yù)測。為了降低發(fā)生這種情況的風(fēng)險，他們的PDaUM方法僅選擇最強(qiáng)大的功能來識別特定的人類行為，并確保CNN基于這些功能做出最終預(yù)測。

研究人員在DB51，UFC Sports，KH和Weizmann數(shù)據(jù)集這四個數(shù)據(jù)集上訓(xùn)練和評估了兩個截然不同的CNN，一個極端機(jī)器學(xué)習(xí)(EML)和一個Softmax分類器。這些數(shù)據(jù)集包含幾個人類執(zhí)行不同類型動作的視頻。

然后，研究人員比較了兩個CNN的性能，這兩個CNN均使用其特征選擇方法進(jìn)行了增強(qiáng)。在他們的評估中，ELM分類器的性能明顯優(yōu)于Softmax算法，可以從視頻中識別出人類動作，其在DB51數(shù)據(jù)集上的準(zhǔn)確性為81.4%，在UCF Sports數(shù)據(jù)集上的準(zhǔn)確性為99.2%，在KTH數(shù)據(jù)集上的準(zhǔn)確性為98.3%，在KTH數(shù)據(jù)集上的準(zhǔn)確性為98.7%。魏茨曼數(shù)據(jù)集。

值得注意的是，PDaUM增強(qiáng)的ELM分類器在準(zhǔn)確性和預(yù)測時間方面也優(yōu)于研究人員將其與之相比的所有現(xiàn)有深度學(xué)習(xí)技術(shù)。因此，這些結(jié)果凸顯了研究人員介紹的特征選擇方法在提高CNN在HAR任務(wù)上的性能方面的潛力。

將來，本文介紹的ELM分類器和PDaUM方法可以開發(fā)更有效的工具，以自動區(qū)分人類在錄制和實(shí)況錄像中正在做什么。這些工具可以通過幾種不同的方式證明其價值，例如，幫助執(zhí)法人員監(jiān)視CCTV視頻上嫌疑犯的行為，或者允許研究人員快速分析大量視頻。