HOME > Detail View

Detail View

Prediction of partially observed human activity based on sub-volume co-occurrence matrix with deep learning

Prediction of partially observed human activity based on sub-volume co-occurrence matrix with deep learning

Material type
학위논문
Personal Author
이동규 李東奎
Title Statement
Prediction of partially observed human activity based on sub-volume co-occurrence matrix with deep learning / 李東奎
Publication, Distribution, etc
Seoul :   Graduate School, Korea Unversity,   2019  
Physical Medium
viii, 43장 : 천연색삽화, 도표 ; 26 cm
기타형태 저록
Prediction of Partially Observed Human Activity based on Sub-volume Co-occurrence Matrix with Deep Learning   (DCOLL211009)000000083183  
학위논문주기
학위논문(박사)-- 고려대학교 대학원: 컴퓨터·전파통신공학과, 2019. 2
학과코드
0510   6YD36   353  
General Note
지도교수: 이성환  
Bibliography, Etc. Note
참고문헌: 장 37-43
이용가능한 다른형태자료
PDF 파일로도 이용가능;   Requires PDF file reader(application/pdf)  
비통제주제어
Human Activity Recognition,,
000 00000nam c2200205 c 4500
001 000045978820
005 20190416151022
007 ta
008 181226s2019 ulkad bmAC 000c eng
040 ▼a 211009 ▼c 211009 ▼d 211009
085 0 ▼a 0510 ▼2 KDCP
090 ▼a 0510 ▼b 6YD36 ▼c 353
100 1 ▼a 이동규 ▼g 李東奎
245 1 0 ▼a Prediction of partially observed human activity based on sub-volume co-occurrence matrix with deep learning / ▼d 李東奎
260 ▼a Seoul : ▼b Graduate School, Korea Unversity, ▼c 2019
300 ▼a viii, 43장 : ▼b 천연색삽화, 도표 ; ▼c 26 cm
500 ▼a 지도교수: 이성환
502 1 ▼a 학위논문(박사)-- ▼b 고려대학교 대학원: ▼c 컴퓨터·전파통신공학과, ▼d 2019. 2
504 ▼a 참고문헌: 장 37-43
530 ▼a PDF 파일로도 이용가능; ▼c Requires PDF file reader(application/pdf)
653 ▼a Human Activity Recognition
776 0 ▼t Prediction of Partially Observed Human Activity based on Sub-volume Co-occurrence Matrix with Deep Learning ▼w (DCOLL211009)000000083183
900 1 0 ▼a Lee, Dong-gyu, ▼e
900 1 0 ▼a 이성환 ▼g 李晟환, ▼e 지도교수
945 ▼a KLPA

Electronic Information

No. Title Service
1
Prediction of partially observed human activity based on sub-volume co-occurrence matrix with deep learning (42회 열람)
View PDF Abstract Table of Contents
No. Location Call Number Accession No. Availability Due Date Make a Reservation Service
No. 1 Location Science & Engineering Library/Stacks(Thesis)/ Call Number 0510 6YD36 353 Accession No. 123060837 Availability Available Due Date Make a Reservation Service B M
No. 2 Location Science & Engineering Library/Stacks(Thesis)/ Call Number 0510 6YD36 353 Accession No. 123060838 Availability Available Due Date Make a Reservation Service B M
No. 3 Location Sejong Academic Information Center/Thesis(5F)/ Call Number 0510 6YD36 353 Accession No. 153081450 Availability Available Due Date Make a Reservation Service M
No. Location Call Number Accession No. Availability Due Date Make a Reservation Service
No. 1 Location Science & Engineering Library/Stacks(Thesis)/ Call Number 0510 6YD36 353 Accession No. 123060837 Availability Available Due Date Make a Reservation Service B M
No. 2 Location Science & Engineering Library/Stacks(Thesis)/ Call Number 0510 6YD36 353 Accession No. 123060838 Availability Available Due Date Make a Reservation Service B M
No. Location Call Number Accession No. Availability Due Date Make a Reservation Service
No. 1 Location Sejong Academic Information Center/Thesis(5F)/ Call Number 0510 6YD36 353 Accession No. 153081450 Availability Available Due Date Make a Reservation Service M

Contents information

Abstract

부분적으로 관측된 동영상에서 복잡한 사람 행동을 예측하는 것은 많은 실용적인 적용 분야를 가지고 있지만 어려운 문제이다. 영상이 부분적으로 관측된 경우에는, 주어진 영상에서의 관측된 행동의 표현력을 최대화하는 것이 시간 순서에 따른 모델링보다 중요하다. 
본 논문에서는, 사전 학습된 깊은 연결망을 활용하여 간단하고 효율적으로 시스템의 행동 구분력을 최대화할 수 있는 새로운 사람 행동 예측을 위한 기술자 생성 방법을 제안한다. 구체적으로, 제안하는 기술자는 객체 사이에서 잠재적으로 중요한 관계를 사전지식 없이 포착할 수 있다. 그러한 관계에 대한 정보는 기술자 생성 과정에서 객체의 행동 참여도, 움직임 활성도에 따라 자동으로 반영된다. 사전 학습된 컨볼루션 신경망은 추가적인 학습 절차 없이 활용된다. 실용적인 관점에서, 제안하는 방법은 지능형 감시 시스템을 구축할 때 더 비용 효율이 높다. 
정량적인 평가를 위한 실험에서, 우리는 두 가지 측면에 대하여 평가한다: 1) 각기 다른 영상 관측 비율에서 예측 정확도, 그리고 2) 사전 학습된 신경망의 종류와 레이어 선택이다. 실험 결과는 전 세계적으로 사용되는 다섯 개의 공용 데이터 세트에서 평가하여 제안하는 방법이 기존 방법들에 비해 뛰어난 성능을 보임을 확인하였다.

Table of Contents

1 Introduction 1
2 Related Work 6
 2.1 Human Activity Prediction 6
 2.2 Deep Learning for Video Representation 7
3 Proposed Method 10
 3.1 Pre-trained Convolutional Neural Networks 11
 3.2 Sub-volume Feature Generation 12
 3.3 Bag-of-Words Assignment 12
 3.4 Sub-volume Co-occurrence Matrix 13
 3.5 Classication 18
4 Experiments 20
 4.1 Datasets and Experimental Setup 20
 4.2 Performance Evaluation 23
  4.2.1 BIT-Interaction Dataset 23
  4.2.2 UT-Interaction Dataset 27
  4.2.3 VIRAT Ground Dataset 29
 4.3 Experimental Analysis 31
  4.3.1 Pre-trained CNN Models 31
  4.3.2 Effect of the Parameter 35
5 Conclusion 36