文献

J-GLOBAL ID：201702261882496651   整理番号：17A1260471

深学習によるビデオ行動分類【Powered by NICT】

Video action classification by deep learning

著者 (4件)： Ergun Esra (C,ogulortam Is,aret Is,leme ve Oeruentue Tanima Grubu, Istanbul Teknik Ueniversitesi, Istanbul, Tuerkiye) ,  Gurkan Filiz (C,ogulortam Is,aret Is,leme ve Oeruentue Tanima Grubu, Istanbul Teknik Ueniversitesi, Istanbul, Tuerkiye) ,  Kaplan Onur (C,ogulortam Is,aret Is,leme ve Oeruentue Tanima Grubu, Istanbul Teknik Ueniversitesi, Istanbul, Tuerkiye) ,  Gunsel Bilge (C,ogulortam Is,aret Is,leme ve Oeruentue Tanima Grubu, Istanbul Teknik Ueniversitesi, Istanbul, Tuerkiye)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： SIU  ページ： 1-4  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 本研究の目的は,ビデオ色と動き情報を用いたビデオ活動の学習と分類である。ビデオ活性標識は含有量にビデオコンテンツモデリング,インデクシング,及び迅速なアクセスのような多くの応用にとって重要である。本研究ではビデオ行動認識は,深い学習によって行った。ビデオの視覚的特徴を学習するために,畳込みニューラルネットワーク(CNN)層と再帰ネットワーク,買い-売り記憶(LSTM),層の特殊な型である。エンドツーエンド訓練によって行われるビデオ系列学習。深層学習に関する最近の研究は,学習と分類精度を改善するために一緒に色末端動き情報を採用した。本研究では,既存のモデルとは異なり,ビデオ動きコンテンツは,SIFTフローベクトルを用いて学習し,運動と色特徴は活性認識のための融合した。一般に使用されているベンチマークデータセット,「バイキング」,「遊びギター」のような101行動カテゴリーから活性標識ビデオを含むUCF101で行った性能試験は,SIFTフローベクトルは,オプティカルフローベクトルよりも正確に動き情報をモデル化し,ビデオ動き分類性能の向上を可能とすることを示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 性能試験 ,  エンドツーエンド方式 ,  *学習 ,  コンテンツ ,  畳込み ,  モデリング ,  *録画装置 ,  ニューラルネットワーク ,  ネットワーク
準シソーラス用語： ギター ,  色特徴 ,  分類精度 ,  深層学習 ,  系列学習 ,  行動認識 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： 学習 ,  ビデオ ,  行動 ,  分類