Resumen

Numerosas acciones humanas como llamar por teléfono, tocar la guitarra y montar a caballo pueden inferirse mediante enfoques estáticos basados en señales, incluso si sus movimientos en video están disponibles, considerando que una sola imagen fija puede explicar suficientemente una acción particular. En esta investigación, investigamos el reconocimiento de acciones humanas en imágenes estáticas y utilizamos el aprendizaje profundo de conjuntos para descomponer automáticamente la postura corporal y percibir su información de fondo. En primer lugar, construimos un modelo basado en NCNN de extremo a extremo adjuntando el módulo de red neuronal convolucional no secuencial (NCNN) en la parte superior del modelo preentrenado. La topología de red no secuencial de NCNN puede aprender de forma separada las características espaciales y por canal con ramas paralelas, lo que ayuda a mejorar el rendimiento del modelo. Posteriormente, para explotar aún más la ventaja de la topología no secuencial, proponemos un modelo de aprendizaje profundo de conjuntos basado en la optimización de

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Llamando; Tocando la guitarra; Montando a caballo; Aprendizaje profundo en conjunto; Reconocimiento de acciones humanas; Red neuronal convolucional no secuencial
• Keywords:Phoning; Playingguitar; Ridinghorse; Deep ensemble learning; Human action recognition; Nonsequential convolutional neural network