آمار
| تعداد نشریات | 45 |
| تعداد شماره‌ها | 1,405 |
| تعداد مقالات | 17,234 |
| تعداد مشاهده مقاله | 55,670,334 |
| تعداد دریافت فایل اصل مقاله | 17,856,104 |
شبکه دو جریانی مبتنی بر توجه برای تشخیص حرکت چند نمایی با استفاده از داده‌های اسکلتی | ||
| پردازش سیگنال پیشرفته | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 10 شهریور 1403 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/jasp.2024.53514.1204 | ||
| نویسندگان | ||
| رضا روحانی سروستانی1؛ محمد ملکی سینی* 2 | ||
| 1گروه آموزشی مهندسی کامپیوتر نرم‌افزار- دانشکده فنی مهندسی- دانشگاه شهرکرد- شهرکرد | ||
| 2گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه شهرکرد، شهرکرد، ایران | ||
| چکیده | ||
| با پیشرفت تکنولوژی و استفاده روز افزون از ماشین‌های هوشمند، سیستم‌های تشخیص حرکت انسانی به یک موضوع مهم در حوزه بینایی ماشین تبدیل شده‌اند. در سال‌های اخیر و به لطف ویژگی‌های مختصر و مفید داده‌های اسکلتی، روش‌های تشخیص حرکت مبتنی بر اسکلت با استفاده از شبکه‌های کانولوشن گرافی (GCN) عملکرد قابل توجهی را به دست آورده‌اند. در روش‌های قبلی، از کانولوشن‌های محلی یک بعدی برای استخراج روابط زمانی بین فریم‌های مجاور استفاده می‌شود و از همبستگی‌های بین فریم‌های نامجاور غافل می‌شوند. از طرفی حرکت‌های انسان، شامل تغییرات زمانی زیادی است که یک وابستگی زمانی قوی را بین حرکات مفاصل نشان می‌دهد. بنابراین تشخیص یک حرکت، مستلزم تحلیل جامعی از همبستگی‌های بین مفاصل در حوزه‌های مکانی (spatial) و زمانی (temporal) است. در این مقاله شبکه‌ای به نام MV AT-AR پیشنهاد شده است که با استفاده از مکانیزم توجه، همبستگی‌های بین مفاصل را در زمان‌های مختلف یاد می‌گیرد. معماری شبکه پیشنهادی از دو جریان ورودی استفاده می‌کند و با استفاده از گراف مکمل اسکلتی، خصوصیات مختلف اسکلت انسان را منعکس می‌کند، که باعث تشخیص حرکت با دقت بالا می‌شود. ارزیابی تجربی روی مجموعه داده NTU RGB+D نشان می‌دهد که شبکه پیشنهادی به دقت 7/96 درصدی دست یافته است. | ||
| کلیدواژه‌ها | ||
| تشخیص حرکت انسان؛ داده اسکلتی؛ شبکه کانولوشن گرافی؛ مکانیسم توجه؛ یادگیری عمیق | ||
|
آمار تعداد مشاهده مقاله: 315 |
||