Publication Details:
Լույս է տեսնում 1948 թվականից՝ տարին 4 անգամ։
Journal or Publication Title:
Date of publication:
Volume:
Number:
ISSN:
Official URL:
Additional Information:
Title:
Other title:
Մարդկային գործողությունների ճանաչում՝ խոր Conv-LSTM ճարտարապետության ճշգրտության բարելավում աղմուկի մաքրման միջոցով` նախքան հիմնական կադրերի ընտրությունը ; Распознавание действий человека։ повышение точности архитектуры глубокой conv-lstm за счет очистки шума перед выбором ключевых кадров
Creator:
Galstyan, D. M. ; Harutyunyan, E. A. ; Nikoghosyan, K. H.
Contributor(s):
Պատ․ խմբ․՝ Ա․ Գ․ Նազարով (1957-1964) ; Մ․ Վ․ Կասյան (1964-1988) ; Ռ․ Մ․ Մարտիրոսյան (1989-2017 ) ; Գլխավոր խմբ․՝ Վ․ Շ․ Մելիքյան (2018-)
Subject:
Computer science and informatics
Uncontrolled Keywords:
deep learning ; deep conv-lstm architecture ; data preprocessing ; noise cleaning ; key frame selection
Coverage:
Abstract:
Recognizing human actions has numerous practical applications that can address issues and enhance the effectiveness and living standards across various domains. For solving the human action recognition task from videos, the Deep Conv-LSTM model architecture has been used on the UCF101 dataset. To preprocess the frames, a method has been proposed that integrates two algorithms: Noise Cleaning and Dissimilarity-Based Key Frame Selection (KFS). By employing these algorithms cohesively and effectively, image quality has been enhanced and unwanted data have been eliminated. The Uniform Frame Selection, Dissimilarity-Based KFS, and the proposed algorithm are evaluated, and their performances are compared based on the accuracy and data size reduction. The results show that the Dissimilarity-Based KFS algorithm outperforms the Uniform Frame Selection algorithm in accuracy by 2%, and the proposed method shows a 3% and 5% improvement in accuracy compared to the first two algorithms, respectively. Furthermore, the proposed algorithm reduces the data size by 26%, making it computationally efficient.
Մարդկային գործողությունների ճանաչումն ունի բազմաթիվ գործնական կիրառություններ, որոնք կարող են լուծել խնդիրներ և բարձրացնել արդյունավետությունն ու կենսամակարդակը տարբեր ոլորտներում: Տեսանյութերից մարդու գործողությունների ճանաչման առաջադրանքը լուծելու համար օգտագործվել են խոր Conv-LSTM մոդելի ճարտարապետությունը և UCF101 տվյալների հավաքածուն: Շրջանակների նախնական մշակման համար առաջարկվել է մեթոդ, որն ինտեգրում է երկու ալգորիթմ՝ աղմուկի մաքրման և տարբերությունների վրա հիմնված հիմնական կադրերի ընտրության (ՀԿԸ): Այս ալգորիթմների համահունչ և արդյունավետ կիրառմամբ՝ պատկերի որակը բարելավվել է, և անցանկալի տվյալները վերացվել են: Միատեսակ կադրերի ընտրությունը, տարբերությունների վրա հիմնված ՀՖԸ-ը և առաջարկվող ալգորիթմը գնահատվել են, և դրանց կատարումը համեմատվել է ճշգրտության և տվյալների չափի կրճատման հիման վրա: Արդյունքները ցույց են տալիս, որ տարբերությունների վրա հիմնված ՀԿԸ ալգորիթմը գերազանցում է միատեսակ կադրերի ընտրության ալգորիթմը 2%-ով, իսկ առաջարկվող մեթոդը ցույց է տալիս ճշգրտության համապատասխանաբար 3% և 5% բարելավում՝ առաջին երկու ալգորիթմների համեմատ: Ավելին, առաջարկվող ալգորիթմը նվազեցնում է տվյալների չափը 26%-ով՝ այն դարձնելով հաշվելիության տեսանկյունից արդյունավետ:
Определение действий человека имеет множество практических применений, которые могут решать проблемы и повышать эффективность и уровень жизни в различных областях. Для решения задачи распознавания действий человека по видео в наборе данных UCF101 использовалась архитектура модели Deep Conv-LSTM. Для предварительной обработки кадров предложен метод, объединяющий два алгоритма: очистку от шума и выбор ключевого кадра на основе различий. Благодаря последовательному и эффективному использованию этих алгоритмов качество изображения было улучшено, а нежелательные данные удалены. Оценены унифицированный выбор кадров, KFS на основе несходства и предложенный алгоритм, их производительность сравнена на основе точности и уменьшения размера данных. Результаты показывают, что алгоритм KFS на основе различий превосходит алгоритм выбора унифицированных кадров по точности на 2%, а предлагаемый метод показывает повышение точности соответственно на 3% и 5% по сравнению с первыми двумя алгоритмами. Кроме того, предлагаемый алгоритм уменьшает размер данных на 26%, что делает его вычислительно эффективным.
Place of publishing:
Երևան
Publisher:
Type:
Format:
Call number:
Digitization:
ՀՀ ԳԱԱ Հիմնարար գիտական գրադարան