Resumen

Recientemente, el reconocimiento de acciones humanas mediante infrarrojos ha atraído cada vez más atención por sus numerosas ventajas sobre la luz visible, es decir, ser robusto ante cambios de iluminación y sombras. Sin embargo, hasta ahora los datos de acciones infrarrojas son limitados, lo que degrada el rendimiento del reconocimiento de acciones infrarrojas. Motivado por la idea del aprendizaje por transferencia, se propone un marco de reconocimiento de acciones humanas mediante infrarrojos que utiliza datos auxiliares de luz visible para resolver el problema de la limitación de datos de acciones infrarrojas. En el marco propuesto, primero construimos un novedoso marco de Alineación y Generalización de Características entre Conjuntos de Datos Cruzados (CDFAG) para mapear los datos infrarrojos y los datos de luz visible en un espacio de características común, donde se emplean la Alineación de Variedad de Núcleo (KEMA) y un modelo de codificadores alineados a generalizados duales (AGE) para representar la característica. Luego, se entrena una máquina

• Materias:Big Data Restricciones distribuidas Algoritmo de inferencia Gestión administrativa
• Subjects:Big Data Distributed constraints Inference algorithm Administrative management
• Palabras claves:Infrarrojo; Reconocimiento de acciones humanas; Aprendizaje por transferencia; Luz visible; Datos auxiliares; Alineación de características
• Keywords:Infrared; Human action recognition; Transfer learning; Visible light; Auxiliary data; Feature alignment