توضیحات
ABSTRACT
Open-set activity recognition remains as a challenging problem because of complex activity diversity. In previous works, extensive efforts have been paid to construct a negative set or set an optimal threshold for the target set. In this paper, a model based on Generative Adversarial Network (GAN), called ‘OpenGAN’ is proposed to address the open-set recognition without manual intervention during the training process. The generator produces fake target samples, which serve as an automatic negative set, and the discriminator is redesigned to output multiple categories together with an ‘unknown’ class. We evaluate the effectiveness of the proposed method on measured micro-Doppler radar dataset and the MOtion CAPture (MOCAP) database from Carnegie Mellon University (CMU). The comparison results with several state-of-the-art methods indicate that OpenGAN provides a promising open-set solution to human activity recognition even under the circumstance with few known classes. Ablation studies are also performed, and it is shown that the proposed architecture outperforms other variants and is robust on both datasets.
INTRODUCTION
In the last decades, human activity recognition has aroused general concern in numerous fields due to the increasing demandfor entertainment, medical monitoring, security, emergency rescue and other ap- 5 plications. Human activity recognition has relied on visual data for decades and develops rapidly with the help of computer vision. Most available studies focus on analyzing human activities based on image sequences captured by optical sensors. Confronting severe interference caused by the weather, object shelter and light condition, optical sensors are unsuitable for recording activities in 10 the severe environment. Compared with optical sensors, radar has some unique properties. It is invariable to the environment and is capable of detecting objects through the wall. What’s more, radar could operate long-distance detections regardless of shelters. Radar-based perception has broad application prospects such as survival search, enemy status perception, and terrorist detection.
چکیده
به دلیل تنوع فعالیت های پیچیده، به رسمیت شناختن فعالیت باز به عنوان یک مشکل چالش برانگیز باقی می ماند. در آثار قبلی، تلاش برای ایجاد یک مجموعه منفی یا تعیین آستانه مطلوب برای مجموعه هدف مورد توجه گسترده قرار گرفته است. در این مقاله، یک مدل مبتنی بر شبکه Adversarial Generation (GAN)، به نام OpenGAN پیشنهاد شده است تا به شناسایی باز و بدون مداخله دستی در طی فرآیند آموزش، پاسخ دهد. ژنراتور نمونه های جعلی هدف را تولید می کند که به عنوان مجموعه ی منفی اتوماتیک خدمت می کنند و مجزا برای تولید مقادیر چندگانه با یک کلاس “ناشناخته” طراحی شده است. ما اثربخشی روش پیشنهاد شده بر روی داده های داده شده رادارهای میکرو داپلر و پایگاه داده MOCAP (MOCAP) از دانشگاه Carnegie Mellon (CMU) را ارزیابی می کنیم. نتایج مقایسه با چندین روش پیشرفته نشان می دهد که OpenGAN یک راه حل باز گشا برای شناسایی فعالیت های انسانی فراهم می کند، حتی در شرایطی با چند کلاس شناخته شده. مطالعات تخریب نیز انجام شده است، و نشان داده شده است که معماری پیشنهادی از انواع دیگر بهتر است و در هر دو مجموعه قوی است.
مقدمه
در دهه های گذشته، شناخت فعالیت های انسانی در زمینه های مختلف به علت افزایش تقاضا برای سرگرمی، نظارت پزشکی، امنیت، نجات اضطراری و سایر موارد، موجب نگرانی عمومی شده است. به رسمیت شناختن فعالیت های انسانی در دهه های گذشته به اطلاعات بصری تکیه کرده و به سرعت از طریق دیدگاه کامپیوتر توسعه می یابد. بیشتر مطالعات موجود بر تجزیه و تحلیل فعالیت های انسانی بر اساس توالی تصویر گرفته شده توسط سنسورهای نوری تمرکز می کنند. برای مقابله با تداخل شدید ناشی از آب و هوا، پناهگاه و شرایط نور، سنسورهای نوری برای ضبط فعالیت در 10 محیط شدید مناسب نیستند. در مقایسه با سنسورهای نوری، رادار ویژگی های خاصی دارد. این به محیط زیست غیر قابل تغییر است و قادر به تشخیص اشیاء از طریق دیوار است. علاوه بر این، رادار میتواند بدون در نظر گرفتن پناهگاهها، تشخیصهای طولانی را انجام دهد. ادراک مبتنی بر رادار دارای چشم اندازهای گسترده ای از جمله جستجوی بقا، درک وضعیت دشمن و تشخیص تروریستی است.
Year: 2018
Publisher : ELSEVIER
By : Yang Yang, Chunping Hou, Yue Lang, Dai Guan, Danyang Huang,Jinchen Xu
File Information: English Language/ 35 Page / size: 540 KB
سال : 1396
ناشر : ELSEVIER
کاری از : یانگ یانگ، Chunping Hou، یو لانگ، دای گوان، Danyang Huang، Jinchen Xu
اطلاعات فایل : زبان انگلیسی / 35 صفحه / حجم : KB 540
نقد و بررسیها
هنوز بررسیای ثبت نشده است.