Resumen

Los métodos actuales de reconocimiento de acciones basados en el caos en videos están limitados a la característica artificial que causa una baja precisión de reconocimiento. En este artículo, mejoramos ChaosNet convirtiéndolo en una red neuronal profunda y lo aplicamos al reconocimiento de acciones. Primero, extendemos ChaosNet a Deep ChaosNet para extraer características de acciones. Luego, enviamos las características al codificador LSTM de nivel bajo y al codificador LSTM de nivel alto para obtener resultados de codificación de nivel bajo y resultados de codificación de nivel alto, respectivamente. El agente es un reconocedor de comportamientos para producir resultados de reconocimiento. El gestor es una capa oculta responsable de proporcionar objetivos de segmentación de comportamiento a nivel alto. Nuestros experimentos se realizaron en dos conjuntos de datos de acciones estándar: UCF101 y HMDB51. Los resultados experimentales muestran que el algoritmo propuesto supera al estado del arte.

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Métodos; Basados en el caos; Reconocimiento de acciones; ChaosNet; Red neuronal profunda; LSTM;
• Keywords:Methods; Chaos-based; Action recognition; ChaosNet; Deep neural network; LSTM;