Resumen

Los métodos actuales de reconocimiento de la actividad humana se enfrentan a muchos retos, como la necesidad de múltiples sensores, una implementación deficiente, un rendimiento en tiempo real poco fiable y la falta de localización temporal. En esta investigación, desarrollamos un método de reconocimiento y localización de actividades humanas basado en el reconocimiento temporal de acciones. Para ello, utilizamos una red neuronal convolucional multicapa (CNN) para extraer características. Además, utilizamos una agrupación refinada de acciones para generar propuestas precisas de regiones. A continuación, clasificamos las regiones candidatas empleando un clasificador de actividad basado en una red segmentada estructurada y un diseño en cascada para el entrenamiento de extremo a extremo. En comparación con los métodos anteriores de clasificación de acciones, el método propuesto añade el límite temporal y mejora eficazmente la precisión de la detección. Para probar empíricamente este método, realizamos experimentos utilizando vídeo de vigilancia de una planta de producción de petróleo en alta mar. Se reconocieron y localizaron tres actividades en el vídeo largo no recortado: estar de pie, caminar y caerse. La precisión de los resultados demostró la eficacia y el rendimiento en tiempo real del método propuesto, demostrando que este enfoque tiene un gran potencial para su aplicación práctica.

• Materias:Geomecánica Modelado de simulación Microrredes comunitarias
• Subjects:Geomechanics Simulation modeling Community microgrids
• Palabras claves:método, rendimiento temporal, red neuronal convolucional multicapa, planta de producción de petróleo en alta mar, reconocimiento de actividad humana, propuestas precisas de regiones, agrupación refinada de acciones, reconocimiento temporal de acciones, vídeo largo no recortado, métodos actuales
• Keywords:method, time performance, multilayer convolutional neural network, offshore oil production plant, human activity recognition, precise region proposals, refined actionness grouping, temporal action recognition, untrimmed long video, Current methods