딥러닝과 최대 색차를 이용한 인간 행동 인식기
Human Activity Recognition Systems Based on Maximum Color Difference and Deep Learning
1
조회
0
다운로드
2
인용
0
참고문헌
키워드
초록
인간 행동 인식은 사물의 움직임을 이해하고 분석하는 것으로 기계와 상호 작용을 할 수 있도록 하는 기술이다. 전통적인 인간 행동 인식기는, 센서로부터 얻은 정보를 머신 런닝을 이용하여 동작을 분류하여 각 행동을 인식하였다. 이 논문에서는 인간 행동 인식을 딥러닝을 이용하여 동작을 분류한다. 특히 이 논문에서는, 색공간에서 색차가 이미지의 선명함을 좌우 할 수 있다는 동기에서 출발하여 준 최적의 색차를 구하였고, 기준선 실험을 통하여 제안하는 방법이 실제 유용하다는 것을 검증하였다. 그 후 실제 사용될 신경망을 설계하였고, 교차 검증을 통하여 f1-score=0.93, 각 동작별 AUC는 0.98~1.0을 얻었다.
Abstract
Human activity recognition (HAR) is to detect human activities and the task might be categorized into vision and sensor based HAR. In the vision based HAR, monocular or binocular cameras capture human activities successively, and the introduced image streams are analyzed and categorized into corresponding activities. In the sensor based HAR, several sensors attached in human body, collects sensor data, and the data are analyzed and categorized into corresponding activities. Traditionally, the sensor based HAR has utilized machine learning technique such as support vector machine. In this paper, deep learning based HAR is proposed. The collected sensor data are converted into images, the proposed neural network is trained and evaluated with the measured data. In the image conversion, we propose a method to increase the performance by maximizing the color difference in the color space. The color difference is a Euclidian distance of the two colors, which can represent the image differences, resulting in performance enhancements in neural network. With this motivation, for feasible tests, a base line experiment is performed using a simple neural network, and we confirmed that the proposed method is effective and valid. In addition, we design HAR based on a neural network. From experimental results, we achieved f1-score=0.93 and minimum AUC (area under curve) = 0.98 at jogging activity.
참고문헌 (17)
- M. S. Kim, "Trends in activity recognition using smartphone sensors", Electronics and telecommunications trends, 33(3), pp.89~99 (2018)
- D. R. Beddiar, "Vision-based human activity recognition : a survey", Multimedia Tools and Applications, 79, pp.30509~30555 (2020)
- L. M. Dang, "Sensor-based and vision-based human activity recognition: A comprehensive survey", Pattern Recognition, 108(107561) (2020)
- 김진술, "청각장애인의 의사소통을 위한 친화적 디지털 핸드제스처 시스템 연구", 한국지식정보기술학회 논문지, 5(2), pp.97~103 (2010), 한국지식정보기술학회
- 김영인, "스마트폰 센서를 이용한 사용자 행위 기반 개인 분류 기법의 성능 평가", 한국지식정보기술학회 논문지, 13(6), pp.835~845 (2018), 한국지식정보기술학회[DOI]
- Y. Liu, "From action to activity : Sensor-based activity recognition", Neurocomputing, 181(12), pp.108~115 (2016)
- J. Torre, "Applying machine learning for healthcare : A case study on cervical pain assessment with motion capture", Applied science, 10 (2020)
- 서상민, "고속 딥러닝 알고리즘의 효과적인 구현", 한국지식정보기술학회 논문지, 14(5), pp.553~561 (2019), 한국지식정보기술학회[DOI]
- 고광은, "딥러닝 모델을 이용한 물체-사람 간 상호작용 패턴 검출 기반행동 이해 시스템 개발", 제어.로봇.시스템학회 논문지, 24(1), pp.57~63 (2018), 제어·로봇·시스템학회[DOI]
- 신수연, "다중모드 센서와 LSTM 기반의 딥 러닝을 이용한 인간의 행동인식 시스템", 대한기계학회논문집 A, 42(2), pp.111~121 (2018), 대한기계학회
- 장재영, "지능형 행동인식 기술을 이용한 실시간 동영상 감시 시스템 개발", 한국인터넷방송통신학회 논문지, 19(2), pp.161~168 (2019), 한국인터넷방송통신학회[DOI]
- T. T. Um, "Exercise motion classification from large-scale wearable sensor data using convolutional neural networks", IEEE, 2017, 2385~2390
- S. Suh, "Improved motion recognition based on convolution neural network for high accuracy", ~ (2021)
- R. C. Gonzalez, "Digital image processing" (2007), Pearson
- M. Malekzadeh, "Mobile sensor data anonymization", Proceedings of the International Conference on Internet of Things Design and Implementation, pp.49~58 (2019)
- "DANA: Dimension-Adaptive Neural Architecture for Multivariate Sensor Data"[URL]
- Y. Choi, "Algorithm in python" (2021), and power press