Resumen

Las personas en áreas públicas a menudo aparecen en grupos. Las personas con actividades homogéneas de grano grueso pueden dividirse aún más en subgrupos dependiendo de diferencias de comportamiento más finas. Identificar automáticamente estos subgrupos puede beneficiar a una variedad de aplicaciones para los miembros del grupo. En este trabajo, nos enfocamos en identificar tales subgrupos en un grupo de actividad homogénea (es decir, un grupo de personas que realizan la misma actividad de grano grueso al mismo tiempo). Presentamos un marco genérico que utiliza sensores incorporados en dispositivos móviles comerciales. Específicamente, proponemos un proceso de dos etapas, selección de modalidad de detección dada una actividad de grano grueso, seguido por un agrupamiento multimodal para identificar subgrupos. Desarrollamos un algoritmo de agrupamiento multimodal de fusión temprana y uno de fusión tardía. Evaluamos nuestros enfoques utilizando múltiples conjuntos de datos; dos de ellos tienen la misma actividad mientras que el otro tiene una actividad diferente. Los resultados de la evaluación muestran que los enfoques basados en multimodal superan el trabajo existente que utiliza solo una modalidad de detección única y también funcionan en escenarios en los que falla la selección manual de una modalidad de detección.

• Materias:Algoritmo dinámico Redes Inalámbricas Redes de Comunicación Sistema de colas Teoría de juegos
• Subjects:Dynamic Algorithm Wireless Networks Communication networks Queuing systems Game theory
• Palabras claves:Personas; Subgrupos; Actividades; Sensores; Agrupación; Multimodal
• Keywords:People; Subgroups; Activities; Sensors; Clustering; Multimodal