کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4944674 1438002 2017 15 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Measuring motion significance and motion complexity
ترجمه فارسی عنوان
اندازه گیری اهمیت حرکت و پیچیدگی حرکت
ترجمه چکیده
در این مقاله، ما دو اقدام جدید را برای تعیین اهمیت حرکت و پیچیدگی حرکت از مسیرهای حرکت انسان پیشنهاد می کنیم. اهمیت حرکت نشان دهنده معناداری نسبی هر فریم حرکتی است که به عنوان مجموعه ای از نقاط داده شده به دست آمده در یک شاخص زمانی از مسیرهای حرکت چندگانه تعریف شده است. پیچیدگی حرکت نشان می دهد تعداد فریم های معنی دار حرکت درگیر در مجموعه ای از چنین حرکت های انسان است. برای این منظور ابتدا نشان می دهیم که اهمیت حرکت را می توان با در نظر گرفتن هر آنتروپی زمانی و آنتروپی فضایی یک فریم حرکت بر اساس تجزیه و تحلیل مخلوط های گاوسی که از حرکات انسان آموخته شده است اندازه گیری کنیم. سپس پیچیدگی حرکت به وسیله اندازه گیری میانگین مقدار اهمیت حرکت در تمام شاخص های زمان حرکت مسیر محاسبه می شود. این دو معیار برای تطابق با الزام اندازه گیری پیچیدگی عصبی پیشنهاد شده برای دستیابی به مقادیر کوچک برای فعالیت های کاملا تصادفی یا کاملا منظم طراحی شده اند. برای نشان دادن این که اقدامات پیشنهادی با مفهوم شهودی ما از اهمیت حرکت و پیچیدگی حرکت سازگار است، حرکت های مختلف انسان برای طراحی و ریختن با استفاده از اهمیت حرکت و پیچیدگی حرکت تحلیل می شود. علاوه بر این، اندازه گیری پیچیدگی ما با سه اقدامات پیچیدگی موجود برای تحلیل همبستگی و عدم همبستگی آنها مقایسه می شود.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
In this paper, we propose two novel measures to specify motion significance and motion complexity from human motion trajectories. Motion significance indicates the relative meaningfulness of every motion frame which is defined as a set of data points acquired at a time index from multiple motion trajectories. Motion complexity indicates the number of meaningful motion frames involved in a set of such human motions. For this, we first show that motion significance can be measured by considering both temporal entropy and spatial entropy of a motion frame, based on the analysis of Gaussian mixtures learned from human motions. Motion complexity is then calculated by measuring the averaged amount of motion significance involved in all time indexes of motion trajectories. These two measures are devised to satisfy the requirement of neural complexity measure proposed to attain small values for totally random or totally regular activities. To show that the proposed measures are consistent with our intuitive notion of motion significance and motion complexity, several human motions for drawing and pouring are analyzed by means of motion significance and motion complexity. Furthermore, our complexity measure is compared with three existing complexity measures to analyze their similarity and dissimilarity.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Information Sciences - Volumes 388–389, May 2017, Pages 84-98
نویسندگان
, , , ,