Resumen

Las redes neuronales convolucionales (CNN) han dado un salto adelante en los últimos años. Sin embargo, la alta dimensionalidad, las ricas características dinámicas del ser humano y los diversos tipos de interferencia del fondo aumentan la dificultad de las CNN tradicionales para capturar datos de movimiento complicados en los vídeos. Para lograr el reconocimiento de acciones en vídeo se propone un nuevo marco denominado red de codificación temporal basada en la atención (ATEN) con máscara de movimiento independiente del fondo (BIMM). Inicialmente, introducimos un enfoque de segmentación de movimiento sobre la base de la frontera previa mediante la asociación con la distancia geodésica mínima dentro de un gráfico ponderado que no es dirigido. A continuación, proponemos un procedimiento estratégico de segmentación de contraste dinámico para segmentar el objeto que se mueve en entornos complicados. Posteriormente, construimos el BIMM para mejorar el objeto que se mueve basándonos en la supresión del fondo no relevante dentro del marco respectivo. Además, diseñamos un sistema de atención de largo alcance dentro de ATEN, capaz de remediar eficazmente la dependencia de las acciones sofisticadas que no son periódicas a largo plazo, basado en el enfoque más automático en los fotogramas semánticos vitales que el proceso de igualdad para los fotogramas generales muestreados. Por ello, el mecanismo de atención es capaz de suprimir la redundancia temporal y destacar los fotogramas discriminatorios. Por último, el marco se evalúa utilizando los conjuntos de datos HMDB51 y UCF101. Como se desprende de los resultados obtenidos experimentalmente, nuestro ATEN con BIMM obtiene un 94,5 y 70,6 respectivamente, lo que supera a varios métodos existentes en ambos conjuntos de datos.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:red neural convolucional, red de codificación temporal, reconocimiento de acciones en vídeo, características dinámicas humanas, datos de movimiento complicados, enfoque de segmentación de movimiento, tipo de fondo, máscara de movimiento independiente, distancia geodésica mínima, marco vital semántico
• Keywords:convolutional neural network, temporal encoding network, video action recognition, human dynamic characteristics, complicated motion data, motion segmenting approach, kind of background, independent motion mask, minimal geodesic distance, semantical vital frame