높은 정밀도를 위한 CNN 기반의 개선된 모션 인식기
Improved Motion Recognition Based on Convolution Neural Network for High Accuracy
0
조회
0
다운로드
8
인용
0
참고문헌
키워드
초록
동작 인식은 사물의 움직임을 이해하고 분석하는 것이다. 이 기술은 동작을 여러 활동으로 분류하고 동작을 이해할 수 있도록 한다. 동작 인식 중에서도, 인간 행동 인식은 사람이 하는 일을 인식하는 것이다. 인간 행동 인식은 재활 공학, 헬스 케어, 휴먼 머신 인터페이스, 비전 기반 보안 등 다양한 애플리케이션에 적용될 수 있다. 인간 행동 인식은 센서 데이터 또는 카메라 기반 비전 정보의 도움으로 달성 할 수 있다. 비전 정보는 단안 / 쌍안 카메라에서 얻은 반면, 센서 데이터는 일반적으로 웨어러블 센서나 스마트 폰에 내장된 센서에서 가져온다. 인간 행동 인식을 위해 측정된 데이터는 분석되며, 그 분석 방법으로는 기계 학습 및 신경망이 있다. 신경망 기반의 데이터 분석에서는 측정된 시계열 데이터를 이미지로 변환하고 그 이미지를 신경망 훈련에 사용한다. 이 논문에서는 컨볼루션 신경망 기반 인간 행동 인식에서, 새로운 정확도 향상 방법을 제안한다. 두 이미지에 고유한 특징이 있다면, 사람은 두 이미지의 차이를 인식할 수 있을 것이다. 그러한 직관으로부터 동기를 얻어, 이 논문은 고유한 특징을 추가하여 보다 정확한 정확도를 얻을 수 있는 새로운 방법을 제안한다. 이 논문에서는 먼저 기준선 테스트를 통해 최적의 이미지 변환 방법을 찾고, 두 번째로 하이퍼 매개 변수를 조절하여 과적합이 없는 현실적인 신경망을 설계한다. 실험을 통하여 제안한 방법이 타당하고 효과적임을 검증한다.
Abstract
Motion recognition (MR) is to understand and analyze the movements of things. This technique can categorize the movements into several activities and enables us understand the movements. Among the MR, human activity recognition (HAR) is to recognize what a person is doing. HAR has various applications such as rehabilitation engineering, health care, human machine interactive, security based on vision. HAR can be achieved with the help of sensor data or camera based vision information. The vision information results from monocular/binocular cameras, whereas the sensor data in general are from wearable sensors or sensors embedded in smartphones. The measured data are analyzed to carry out HAR. The data analysis methods include machine learning and neural networks. In the neural network based data analysis, the introduced time series data are converted into images, and the images are used for training of neural networks. In this paper, a new accuracy enhanced method is proposed in convolution neural network based HAR. If two images have their unique features, person may recognize the difference between the two images. Motivated from this intuition, this paper suggests a new method to add the unique feature, resulting in more precise accuracy. In this paper, firstly an optimal image conversion method is found via base line tests and secondly a reasonable neural network without overfitting is designed by trimming hyper parameters. From the experimental results, it is verified that the proposed method is valid and effective.
참고문헌 (15)
- C. Jobanputra, "Human activity recognition: a survey", Procedia Computer Science, 155, pp.698~703 (2019)
- M. S. Kim, "Trends in activity recognition using smartphone sensors", Electronics and telecommunications trends, 33(3), pp.89~99 (2018)
- Y. Liu, "From action to activity:Sensor-based activity recognition", Neurocomputing, 181(12), pp.108~115 (2016)
- 김진술, "청각장애인의 의사소통을 위한 친화적 디지털 핸드제스처 시스템 연구", 한국지식정보기술학회 논문지, 5(2), pp.97~103 (2010), 한국지식정보기술학회
- A. Jalal, "A study of accelerometer and gyroscope measurements in physical life-log activities detection systems", Sensors, 20 (2020)
- 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
- 서상민, "고정밀 이미지 분류기를 위한 엣지 강화 신경망", 한국지식정보기술학회 논문지, 15(3), pp.315~321 (2020), 한국지식정보기술학회[DOI]
- M. Malekzadeh, "Mobile sensor data anonymization", Proceedings of the International Conference on Internet of Things Design and Implementation, pp.49~58 (2019)