کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6865361 1439555 2018 13 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Appearance based pedestrians' head pose and body orientation estimation using deep learning
ترجمه فارسی عنوان
براساس مدل پیش بینی شده بر روی عابران پیاده و ارزیابی جهت گیری بدن با استفاده از آموزش عمیق
کلمات کلیدی
ترجمه چکیده
شناخت جهت گیری پیاده روی، از جمله راهنمایی های سر و بدن، یک وظیفه سخت در سناریوهای تشخیص فعالیت های انسانی است. در حالی که در یک جهت حرکت می کند، یک عابر پیاده ممکن است توجه بصری خود را در جهت دیگری تمرکز کند. تجزیه و تحلیل چنین تخمینی جهت گیری از طریق برنامه های کاربردی رایانه گاهی اوقات مطلوب برای قصد و تجزیه و تحلیل رفتار پیاده خودکار است. در این مقاله، با استفاده از یک مکانیسم یادگیری عمیق، پیش بینی سر و پهلو به سمت ظاهر مبتنی بر پیش بینی می شود. یک مدل شبکه عصبی کانولوشن عمیق نظارت شده به عنوان یک بلوک ساختمان یادگیری عمیق برای طبقه بندی ارائه شده است. دو مجموعه داده جداگانه برای ارزیابی جهت گیری سر و بدن کامل آماده می شوند. مدل پیشنهادی پس از آن به طور جداگانه در دو مجموعه داده آماده با هشت بطری جهت گیری آموزش دیده است. تست مدل پیشنهادی با مجموعه داده های عمومی در دسترس و همچنین توالی های تصویری خود در زمان واقعی انجام می شود. آزمایشات نشان می دهد که مقادیر دقیق 0.91 برای برآورد سر و 0.92 برای تخمینی جهت گیری کامل بدن است. نتایج عملکرد نشان می دهد که رویکرد پیشنهادی به طور موقت سر و بدن را در تنظیمات مختلف به طور همزمان طبقه بندی می کند. مقایسه با رویکردهای موجود در حال حاضر اثربخشی رویکرد ارائه شده را نشان می دهد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
براساس مدل پیش بینی شده بر روی عابران پیاده و ارزیابی جهت گیری بدن با استفاده از آموزش عمیق
چکیده انگلیسی
Pedestrian orientation recognition, including head and body directions, is a demanding task in human activity-recognition scenarios. While moving in one direction, a pedestrian may be focusing his visual attention in another direction. The analysis of such orientation estimation via computer-vision applications is sometimes desirable for automated pedestrian intention and behavior analysis. This paper highlights appearance-based pedestrian head-pose and full-body orientation prediction by employing a deep-learning mechanism. A supervised deep convolutional neural-network model is presented as a deep-learning building block for classification. Two separate datasets are prepared for head-pose and full-body orientation estimation. The proposed model is subsequently trained separately on the two prepared datasets with eight orientation bins. Testing of the proposed model is performed with publicly available datasets, as well as self-taken real-time image sequences. The experiments reveal mean accuracies of 0.91 for head-pose estimation and 0.92 for full-body orientation estimation. The performance results illustrate that the proposed approach effectively classifies head-poses and body orientations simultaneously in different setups. The comparison with existing state-of-the-art approaches demonstrates the effectiveness of the presented approach.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 272, 10 January 2018, Pages 647-659
نویسندگان
, , , , ,