文献

J-GLOBAL ID：202002226826647170   整理番号：20A2147141

スライディング共分散行列:スケルトンベース行動認識のための共学習時空間幾何学特徴【JST・京大機械翻訳】

Sliding Covariance Matrix: Co-learning Spatiotemporal Geometry Feature for Skeleton Based Action Recognition

著者 (3件)： Huang Guan (School of Computer Science and Technology, China University of Mining and Technology, Xuzhou, China) ,  Yan Qiuyan (School of Computer Science and Technology, China University of Mining and Technology, Xuzhou, China) ,  Yuan Guan (School of Computer Science and Technology, China University of Mining and Technology, Xuzhou, China)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 12432  ページ： 388-400  発行年： 2020年 
JST資料番号： H0078D  ISSN： 0302-9743  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 共分散行列は視覚アプリケーションにおける一般的な特徴表現である。それは,特にデータサイズの条件において,Riemann多様体の幾何学的特徴を正確かつ効率的に捉えることができる。共分散行列をスケルトンデータの記述に適用するとき,スケルトンジョイントの空間的および時間的関係を表現する方法,一方,マトリックスが非特異であるかどうかは,挑戦的な問題である。本研究では,まず,すべてのスケルトンフレームに対して非特異共分散行列記述子を獲得するスライディングウィンドウベースフレーム付加モデルを提案した。次に,すべてのスライディングウィンドウのためのスライディング共分散マトリックスを,時空特性と行動認識を抽出するために,修正Long Short-Termメモリ(LSTM)ネットワークに順次供給した。提案方法を5つの中規模骨格データセットの実験によって検証し,その結果は,提案方法が最先端のモデルと比較して6%-20%の精度を改善することを示した。一方,実験結果は,データサイズがそれほど大きくないとき,著者らの提案方法は,深いネットワーク方法より,より正確に,効率的に骨格データの時空間特性を記述することができることを明らかにした。Copyright Springer Nature Switzerland AG 2020 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 記憶装置 ,  *幾何学 ,  視覚 ,  *学習 ,  ネットワーク ,  Riemann空間 ,  *共分散 ,  応用プログラム ,  中規模
準シソーラス用語： *共分散行列 ,  スライディングウィンドウ ,  行動認識 ,  特徴表現 ,  長短期記憶 ,  データサイズ , 【Automatic Indexing@JST】

著者キーワード (4件)： 滑り共分散行列 ,  長期短期記憶ネットワーク ,  人間の行動認識 ,  骨格データ

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (6件)： 共分散行列 ,  スケルトン ,  行動認識 ,  学習 ,  時空間 ,  幾何学