[논문]스켈레톤 벡터 정보와 RNN 학습을 이용한 행동인식 알고리즘

김미경; 차의영

doi:10.5909/jbe.2018.23.5.598

스켈레톤 벡터 정보와 RNN 학습을 이용한 행동인식 알고리즘
Using Skeleton Vector Information and RNN Learning Behavior Recognition Algorithm 원문보기

방송공학회논문지 = Journal of broadcast engineering, v.23 no.5, 2018년, pp.598 - 605

김미경 (부산대학교 전자공학과) , 차의영 (부산대학교 정보컴퓨터공학과)

초록
AI-Helper

행동 인식은 데이터를 통해 인간의 행동을 인식하는 기술로서 비디오 감시 시스템을 통한 위험 행동과 같은 어플리케이션에 활용되어 질 수 있다. 기존의 행동 인식 알고리즘은 2차원 카메라를 통한 영상이나 다중모드 센서, 멀티 뷰와 같은 장비를 이용한 방법을 사용하거나 3D 장비를 이용하여 이루어져 왔다. 2차원 데이터를 사용한 경우 3차원 공간의 행위 인식에서는 가려짐과 같은 현상으로 낮은 인식율을 보였고 다른 방법은 복잡한 장비의 구성이나 고가의 추가적인 장비로 인한 어려움이 많았다. 본 논문은 RGB와 Depth 정보만을 이용하여 추가적인 장비 없이 CCTV 영상만으로 인간의 행동을 인식하는 방법을 제안한다. 먼저 RGB 영상에서 스켈레톤 추출 알고리즘을 적용하여 관절과 신체부위의 포인트를 추출한다. 이를 식을 적용하여 변위 벡터와 관계 벡터를 포함한 벡터로 변형한 후 RNN 모델을 통하여 연속된 벡터 데이터를 학습한다. 학습된 모델을 다양한 데이터 세트에 적용하여 행동 인식 정확도를 확인한 결과 2차원 정보만으로 3차원 정보를 이용한 기존의 알고리즘과 유사한 성능을 입증할 수 있었다.

Abstract ▼ AI-Helper

Behavior awareness is a technology that recognizes human behavior through data and can be used in applications such as risk behavior through video surveillance systems. Conventional behavior recognition algorithms have been performed using the 2D camera image device or multi-mode sensor or multi-view or 3D equipment. When two-dimensional data was used, the recognition rate was low in the behavior recognition of the three-dimensional space, and other methods were difficult due to the complicated equipment configuration and the expensive additional equipment. In this paper, we propose a method of recognizing human behavior using only CCTV images without additional equipment using only RGB and depth information. First, the skeleton extraction algorithm is applied to extract points of joints and body parts. We apply the equations to transform the vector including the displacement vector and the relational vector, and study the continuous vector data through the RNN model. As a result of applying the learned model to various data sets and confirming the accuracy of the behavior recognition, the performance similar to that of the existing algorithm using the 3D information can be verified only by the 2D information.

주제어

표/그림 (11)

그림 그림 1. 사람의 포인트 추출 예시 그림 Fig 1. Person's point extraction example
그림 그림 2. 사람의 신체부위별 그림 Fig 2. Picture of human body part
표 표 1. 변위 벡터를 구성하는 하위그룹 Table 1.Subgroups constituting the displacement vector
표 표 2. 관계 벡터를 구성하는 하위그룹 Table 2. Subgroups that make up the relationship vector
그림 그림 3. 논문에서 사용한 RNN 구조 Fig 3. RNN structure used in the paper
그림 그림 4. Northwestern-UCLA Multiview Action 3D Dataset의 confusion matrix Fig. 4. The confusion matrix of the Northwestern-UCLA Multiview Action 3D Dataset
그림 그림 5 MSR-Daily Activity 3D Dataset의 confusion matrix Fig 5. The confusion matrix of MSR-Daily Activity 3D Dataset
그림 그림 6. SYSU 3D Human-Object Interaction Set의 confusion matrix Fig 6. The confusion matrix of SYSU 3D Human-Object Interaction Set
표 표 3. Northwestern-UCLA Multiview Action 3D Dataset에 관한 성능 비교 Table 3. Performance Comparison of Northwestern-UCLA Multiview Action 3D Dataset
표 표 4. MSR-Daily Activity 3D Dataset에 관한 성능 비교 Table 4. Performance Comparison of MSR-Daily Activity 3D Dataset
표 표 5. SYSU 3D Human-Object Interaction Se에 관한 성능 비교 Table 5. Performance Comparison of SYSU 3D Human-Object Interaction Set

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 RGB 영상 입력만으로 행동 인식이 가능한 방법을 제안하였다. 그리고 학습의 성능을 높이기 위해활성화 함수로 SELU를 적용하고 데이터 증대를 적용하여 학습을 하고 클래스의 분포를 SVM을 적용하여 얻은 결과를 최종클래스로 지정하여 행동 인식 분류 성능을 높일 수 있었다.
(2017)의 Art- Track^[5]을 사용하여 영상에서 사람의 각 부위와 관절의 포인트를 추출하였다. 알고리즘은 이미지에서 관절의 위치를 포함한 여러 사람을 탐지하고 포즈를 추정하는 것을 목표로 한다. 장면에서 사람의 수를 먼저 추론하고 신체부위를 식별하는 방법으로, 사람들을 먼저 감지하고 이어서 몸자세를 추정하는 방법과 대조적이다.
학습 방법 측면에서 보면 예전의 기계학습(Machine Learn- ing)방법에서는 추출할 특징들을 연구자가 직접 설계해야 하기 때문에 많은 시간이 필요하며 효율적인 특징 추출을 위해서는 어느 정도 전문적 지식이 필요하다, 이런 단점을 보완하기 위해 데이터로부터 직접 유용한 특징들을 학습하는 딥러닝 방식을 이용한 행동 인식에 관한 연구가 최근 활발히 진행되어 지고 있으며 본 논문은 딥러닝의 알고리즘을 이용하여 학습의 성능을 높이고자 한다.

제안 방법

데이터를 training data와 validation data, test data는4:1:1로 나누어 RNN(recurrent Neural Network)의 학습에 사용하였다. RNN 구조는 2층의 BiGRU(Bidrectional gated recurrent unit)^[7]와 학습 성능의 향상을 위해 Batch Normalization^[8], 50%의 DropOut^[9]을 적용하였다. GRU의 경우 별도의 파라미터를 둠으로써 입력 frame의 수만큼, 많은 층의 back propagation시 loss에 대한 weight의 변화 값에 따른 gradient vanishing, exploding 현상을 방지함으로써 학습이 잘 이루어지게 한다.
를 적용하고 두 함수 간 성능을 비교하였다. SELU를 적용하여 학습 시 입력데이터를 정규화하는 특성을 보이므로 Batch Normalization 층을 제외하고 학습을 진행하였다. 학습 결과 SYSU 3D Human-Object Interaction Set의 경우 ReLU를 적용 시 행동 인식 정확도는 63.
각 프레임마다 사람의 스켈레톤에서 프레임 당 50개의벡터로 변환하고 연속된 프레임을 모아서 데이터를 만들었다. 데이터를 training data와 validation data, test data는4:1:1로 나누어 RNN(recurrent Neural Network)의 학습에 사용하였다.
본 논문에서는 위 3가지 데이터세트를 구성하는 각 영상의 RGB 데이터에 ArtTrack을 사용하여 스켈레톤을 추출하고 변위 벡터와 관계 벡터로 변형하였다. 그리고 샘플링을 통해 시작 지점을 정하고 시작지점에서 연속된 프레임에 이를 적용하여 결과 값을 저장하였다. Northwestern-UCLA Multiview Action 3D Dataset의 경우 32개를 샘플링하고 가장 짧은 영상의 프레임이 4 이므로 3개의 연속된 프레임을 각 샘플링 마다 저장하였다.
각 영상은 서로 다른 시점에서 촬영되었다. 데이터 세트는 RGB 영상과 깊이 정보, 스켈레톤 정보를 포함하나 본 논문에서는 RGB 영상만을 사용하여 실험을 진행하였다.
9초에서 21초 사이의 다른 프레임 길이 영상으로 구성되어 있고 대걸레질과 빗자루질 혹은 한 손으로 컵 안의 물을 마시거나 양손을 사용하여 물을 따르는 등 유사한 행동을 담은 영상으로 구성되어 있다. 데이터 세트는 RGB 영상뿐만 아니라 깊이 정보와 스켈레톤 정보를 포함하나 본 논문에서는 RGB 영상만을 사용하여 실험을 진행하였다.
위 데이터 세트는 Microsoft Research Redmond에서Wanqing Li가 작성했으며, 마시기, 먹기, 책 읽기 등 16가지의 행동으로 구성되어 있다. 데이터 세트는 각 행동을 키넥트를 사용하여 얻은 RGB 영상과 깊이 정보, 스켈레톤 정보를 포함하나 본 논문에서는 RGB 영상만을 사용하여 실험을 진행하였다.
각 프레임마다 사람의 스켈레톤에서 프레임 당 50개의벡터로 변환하고 연속된 프레임을 모아서 데이터를 만들었다. 데이터를 training data와 validation data, test data는4:1:1로 나누어 RNN(recurrent Neural Network)의 학습에 사용하였다. RNN 구조는 2층의 BiGRU(Bidrectional gated recurrent unit)^[7]와 학습 성능의 향상을 위해 Batch Normalization^[8], 50%의 DropOut^[9]을 적용하였다.
본 논문에서는 위 3가지 데이터세트를 구성하는 각 영상의 RGB 데이터에 ArtTrack을 사용하여 스켈레톤을 추출하고 변위 벡터와 관계 벡터로 변형하였다. 그리고 샘플링을 통해 시작 지점을 정하고 시작지점에서 연속된 프레임에 이를 적용하여 결과 값을 저장하였다.
본 논문은 장비적인 측면에서는 추가적인 장비 구축이나, 고가의 장비가 필요한 단점을 해결하여 2차원의 RGB영상을 사용하였으며 학습에서는 딥러닝을 통한 행동 인식의 방법을 제안한다. 영상은 2차원의 동영상을 사용하며 스켈레톤 추출 알고리즘을 딥러닝을 이용하여 학습하여 관절과 신체부위의 포인트를 추출한다.
이후 테스트를 5번 반복시행 하여 평균 정확도를 구하였다. 성능 비교에 있는 다른 알고리즘의 경우 데이터 세트의 RGB 영상뿐만 아니라 깊이 정보와 스켈레톤 정보를 모두 포함하여 행동 인식의 정확도를 구하였으나 본논문에서 제안한 방법은 RGB 영상만을 사용하여 행동인식 정확도를 구하였다. 여러 정보를 사용한 다른 알고리즘과 비교하였을 시 RGB 영상만을 사용한 본 논문의알고리즘은 비교적 우수한 행동인식 정확도를 확인할 수 있었다.
각 행동의 공통된 값을 얻기 위해 Diago et al(2017)이 제안한 방법^[6]을 적용하여 관절과 부위별 포인트를 관계 벡터와 변위 벡터값으로 변형한다. 스켈레톤 추출 알고리즘의 포인트 수와 Diago et al의 사람의 포인트수가 다르므로 이를 반영하여 관계 벡터와 변위 벡터 값으로 변환하였다.
장면에서 사람의 수를 먼저 추론하고 신체부위를 식별하는 방법으로, 사람들을 먼저 감지하고 이어서 몸자세를 추정하는 방법과 대조적이다. 알고리즘은 CNN기반부분 탐지기로 생성된 신체 부분 가설 세트의 분할 및 레이블링 공식을 제안 하였다. 여러 사람일 경우, 단일 인물의 경우 모두 ArtTrack을 이용한 인물의 탐지 및 포즈 추정할 수 있는 코드는 GitHub에서 다운로드 할 수 있으며 이를 이용하여 관절 포인트 추출하여 그림 1과 같은 결과를 얻었다.
학습된 모델에서 샘플링에 관하여 각 클래스 분류 결과를 얻고 각 샘플링결과를 클래스의 분포로 변환하였다. 얻은 클래스의 분포를 Linear SVM(Support Vector Machine)^[13]을 사용하여 학습하고 테스트 데이터의 클래스 분포를 입력으로 넣어 테스트 데이터의 SVM 출력을 최종 클래스로 지정하였다. 이후 테스트를 5번 반복시행 하여 평균 정확도를 구하였다.
본 논문은 장비적인 측면에서는 추가적인 장비 구축이나, 고가의 장비가 필요한 단점을 해결하여 2차원의 RGB영상을 사용하였으며 학습에서는 딥러닝을 통한 행동 인식의 방법을 제안한다. 영상은 2차원의 동영상을 사용하며 스켈레톤 추출 알고리즘을 딥러닝을 이용하여 학습하여 관절과 신체부위의 포인트를 추출한다. 추출된 포인트들 간의 변위 벡터와 관계 벡터를 포함한 벡터로 변형한다.
SYSU 3D Human-Object Interaction Set는 40개를 샘플링하고 한 샘플링 당 50개의 연속된 프레임을 각각 저장하였다. 이후 저장된 데이터에서 RNN 모델과 활성화 함수로SELU를 적용하여 학습을 진행하였다. 학습된 모델에서 샘플링에 관하여 각 클래스 분류 결과를 얻고 각 샘플링결과를 클래스의 분포로 변환하였다.
얻은 클래스의 분포를 Linear SVM(Support Vector Machine)^[13]을 사용하여 학습하고 테스트 데이터의 클래스 분포를 입력으로 넣어 테스트 데이터의 SVM 출력을 최종 클래스로 지정하였다. 이후 테스트를 5번 반복시행 하여 평균 정확도를 구하였다. 성능 비교에 있는 다른 알고리즘의 경우 데이터 세트의 RGB 영상뿐만 아니라 깊이 정보와 스켈레톤 정보를 모두 포함하여 행동 인식의 정확도를 구하였으나 본논문에서 제안한 방법은 RGB 영상만을 사용하여 행동인식 정확도를 구하였다.
추출된 포인트들 간의 변위 벡터와 관계 벡터를 포함한 벡터로 변형한다. 이후RNN 모델을 통하여 연속된 벡터 데이터를 학습하여 다양한 데이터 세트에 적용시켜 행동 인식 정확도를 확인하다. 이러한 방법을 이용하여 성능은 더 좋거나 버금가는 알고리즘을 제안하였으며 기존 발표된 알고리즘들을 구현한데의의가 있다.
알고리즘은 이미지에서 관절의 위치를 포함한 여러 사람을 탐지하고 포즈를 추정하는 것을 목표로 한다. 장면에서 사람의 수를 먼저 추론하고 신체부위를 식별하는 방법으로, 사람들을 먼저 감지하고 이어서 몸자세를 추정하는 방법과 대조적이다. 알고리즘은 CNN기반부분 탐지기로 생성된 신체 부분 가설 세트의 분할 및 레이블링 공식을 제안 하였다.
학습 성능의 향상을 위해 활성화 함수로 ReLU(rectified linear unit)^[11]와 SELU(scaled exponential linear unit)^[12]를 적용하고 두 함수 간 성능을 비교하였다. SELU를 적용하여 학습 시 입력데이터를 정규화하는 특성을 보이므로 Batch Normalization 층을 제외하고 학습을 진행하였다.
이후 저장된 데이터에서 RNN 모델과 활성화 함수로SELU를 적용하여 학습을 진행하였다. 학습된 모델에서 샘플링에 관하여 각 클래스 분류 결과를 얻고 각 샘플링결과를 클래스의 분포로 변환하였다. 얻은 클래스의 분포를 Linear SVM(Support Vector Machine)^[13]을 사용하여 학습하고 테스트 데이터의 클래스 분포를 입력으로 넣어 테스트 데이터의 SVM 출력을 최종 클래스로 지정하였다.

대상 데이터

Northwestern-UCLA Multiview Action 3D Dataset의 경우 32개를 샘플링하고 가장 짧은 영상의 프레임이 4 이므로 3개의 연속된 프레임을 각 샘플링 마다 저장하였다. MSR-Daily Activity 3D Dataset은 32개를 샘플링하고 가장 짧은 영상의 프레임에 따라 40개의 연속된 프레임을 각 샘플링 마다 저장하였다. SYSU 3D Human-Object Interaction Set는 40개를 샘플링하고 한 샘플링 당 50개의 연속된 프레임을 각각 저장하였다.
위 데이터 세트는 UCLA의 JingWang와 ,Xieohan Nie가만들었으며 한 손으로 물체 들기, 두손 으로 물체 들기, 쓰레기 버리기 등 10개의 행동에 대하여 10명의 영상으로 구성되어 있다. 각 영상은 서로 다른 시점에서 촬영되었다.
행동은 핸드폰을 사용하여 전화를 받는 동작, 가방을 메는 동작 등을 포함한다. 총 480(12 x 40)개의 1.9초에서 21초 사이의 다른 프레임 길이 영상으로 구성되어 있고 대걸레질과 빗자루질 혹은 한 손으로 컵 안의 물을 마시거나 양손을 사용하여 물을 따르는 등 유사한 행동을 담은 영상으로 구성되어 있다. 데이터 세트는 RGB 영상뿐만 아니라 깊이 정보와 스켈레톤 정보를 포함하나 본 논문에서는 RGB 영상만을 사용하여 실험을 진행하였다.

이론/모형

스켈레톤을 추출하기 위하여 Eldar at al.(2017)의 Art- Track^[5]을 사용하여 영상에서 사람의 각 부위와 관절의 포인트를 추출하였다. 알고리즘은 이미지에서 관절의 위치를 포함한 여러 사람을 탐지하고 포즈를 추정하는 것을 목표로 한다.
사람마다 같은 행동임에도 키와 신체 부위별 크기에 따른 차이에 의해 추출된 스켈레톤 특징은 사람마다 다른 값을 가진다. 각 행동의 공통된 값을 얻기 위해 Diago et al(2017)이 제안한 방법^[6]을 적용하여 관절과 부위별 포인트를 관계 벡터와 변위 벡터값으로 변형한다. 스켈레톤 추출 알고리즘의 포인트 수와 Diago et al의 사람의 포인트수가 다르므로 이를 반영하여 관계 벡터와 변위 벡터 값으로 변환하였다.
0, β=0, ε=10-5를 적용하여 초기화하였다. 그리고 optimizer로 Adam^[10]을 사용하였으며 식 12,13,14는 Adam식이다.

성능/효과

본 논문에서는 RGB 영상 입력만으로 행동 인식이 가능한 방법을 제안하였다. 그리고 학습의 성능을 높이기 위해활성화 함수로 SELU를 적용하고 데이터 증대를 적용하여 학습을 하고 클래스의 분포를 SVM을 적용하여 얻은 결과를 최종클래스로 지정하여 행동 인식 분류 성능을 높일 수 있었다. 데이터 세트에 스켈레톤 정보를 같이 활용한 기존의 행동 인식 알고리즘과 비교하면 더 우수하거나 비슷한 성능을 지님을 확인할 수 있었다.
그리고 학습의 성능을 높이기 위해활성화 함수로 SELU를 적용하고 데이터 증대를 적용하여 학습을 하고 클래스의 분포를 SVM을 적용하여 얻은 결과를 최종클래스로 지정하여 행동 인식 분류 성능을 높일 수 있었다. 데이터 세트에 스켈레톤 정보를 같이 활용한 기존의 행동 인식 알고리즘과 비교하면 더 우수하거나 비슷한 성능을 지님을 확인할 수 있었다. 본 논문의 알고리즘의 경우 벡터의 변화를 사용함으로써 관점에 따른 영상 내 행동인식에 장점이 있으나 한 영상 내 여러 가지 행동을 하거나 여러 사람의 행동을 인식하는데 한계점을 지닌다.
데이터를 통한 행동 인식을 정확하게 할 수 있으면 지능형 감시 시스템이나 로봇 비젼, 게임 컨트롤 등 다양한 분야에서 사용 가능하고 지능형 감시 시스템의 행동 인식 성능을 높임으로써 사회 안전망 구축에 기여할 수 있다.
성능 비교에 있는 다른 알고리즘의 경우 데이터 세트의 RGB 영상뿐만 아니라 깊이 정보와 스켈레톤 정보를 모두 포함하여 행동 인식의 정확도를 구하였으나 본논문에서 제안한 방법은 RGB 영상만을 사용하여 행동인식 정확도를 구하였다. 여러 정보를 사용한 다른 알고리즘과 비교하였을 시 RGB 영상만을 사용한 본 논문의알고리즘은 비교적 우수한 행동인식 정확도를 확인할 수 있었다.
SELU를 적용하여 학습 시 입력데이터를 정규화하는 특성을 보이므로 Batch Normalization 층을 제외하고 학습을 진행하였다. 학습 결과 SYSU 3D Human-Object Interaction Set의 경우 ReLU를 적용 시 행동 인식 정확도는 63.4%였고 SELU를 적용시 69.3%로 성능이 향상됨을 확인하였다.

후속연구

데이터 세트에 스켈레톤 정보를 같이 활용한 기존의 행동 인식 알고리즘과 비교하면 더 우수하거나 비슷한 성능을 지님을 확인할 수 있었다. 본 논문의 알고리즘의 경우 벡터의 변화를 사용함으로써 관점에 따른 영상 내 행동인식에 장점이 있으나 한 영상 내 여러 가지 행동을 하거나 여러 사람의 행동을 인식하는데 한계점을 지닌다. 앞으로 이러한 점을 보완한다면 다양한 영상 내 행동 인식에 적용할 수 있을 것이다.
본 논문의 알고리즘의 경우 벡터의 변화를 사용함으로써 관점에 따른 영상 내 행동인식에 장점이 있으나 한 영상 내 여러 가지 행동을 하거나 여러 사람의 행동을 인식하는데 한계점을 지닌다. 앞으로 이러한 점을 보완한다면 다양한 영상 내 행동 인식에 적용할 수 있을 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	RNN 구조는 어떻게 적용하였는가?	데이터를 training data와 validation data, test data는4:1:1로 나누어 RNN(recurrent Neural Network)의 학습에 사용하였다. RNN 구조는 2층의 BiGRU(Bidrectional gated recurrent unit)[7]와 학습 성능의 향상을 위해 Batch Normal- ization[8], 50%의 DropOut[9]을 적용하였다. GRU의 경우 별도의 파라미터를 둠으로써 입력 frame의 수만큼, 많은 층의back propagation시 loss에 대한 weight의 변화 값에 따른gradient vanishing, exploding 현상을 방지함으로써 학습이 잘 이루어지게 한다.
	스켈레톤 추출 알고리즘의 목표는 무엇인가?	(2017)의 Art- Track[5]을 사용하여 영상에서 사람의 각 부위와 관절의 포인트를 추출하였다. 알고리즘은 이미지에서 관절의 위치를포함한 여러 사람을 탐지하고 포즈를 추정하는 것을 목표로 한다. 장면에서 사람의 수를 먼저 추론하고 신체부위를식별하는 방법으로, 사람들을 먼저 감지하고 이어서 몸자세를 추정하는 방법과 대조적이다.
	주어진 데이터를 분석하여 어떠한 행동을 하고 있는지 판단하는 행동 인식에 관한 연구가 필요한 이유는 무엇인가?	오늘날 우리가 생활하고 있는 일상에서는 위험 요소들이산재 되어 있어 비디오 감시 시스템을 통한 사회 안전 증대를 위해 많은 장소에 CCTV 감시 카메라를 구축하였지만많은 양의 영상을 사람의 집중과 판단에 의존하는 기존의시스템은 관리 소홀로 인한 취약점을 가진다[1]. 이를 해결하기 위해서는 주어진 데이터를 분석하여 어떠한 행동을하고 있는지 판단하는 행동 인식에 관한 연구가 필요하다.

참고문헌 (24)

C. Jung,and D. Kang,"A Recognition Algorithm of Suspicious Human Behaviors using Hidden Markov Models in an Intelligent Surveillance System, " Journal of multimedia information system, Vol.11, No.11, pp.1491-1500,Nov. 2008.
TRAN, Du, et al. "Learning spatiotemporal features with 3d convolutional networks. arXiv preprint arXiv:1412.0767, 2014.
LI, Wanqing, ZHANG, Zhengyou, LIU, Zicheng. "Action recognition based on a bag of 3d points". Computer Vision and Pattern Recognition Workshops (CVPRW), 2010 IEEE Computer Society Conference on. IEEE, p. 9-14.2010.
HU, Jian-Fang, et al. "Jointly learning heterogeneous features for RGB-D activity recognition. " Proceedings of the IEEE conference on computer vision and pattern recognition. pp. 5344-5352. 2015.
INSAFUTDINOV, Eldar, et al. ArtTrack: "Articulated multi-person tracking in the wild," IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2017.
Diogo Carbonera Luvizon, Hedi Tabia, David Picard, "Learning features combination for human action recognition from skeleton sequences," Pattern Recognition Letters, Volume 99, pp 13-20, ISSN 0167-8655. 2017.

상세보기
CHO, Kyunghyun, et al. "Learning phrase representations using RNN encoder-decoder for statistical machine translation," arXiv preprint arXiv:1406.1078, 2014.
IOFFE, Sergey, SZEGEDY, Christian, "Batch normalization: Accelerating deep network training by reducing internal covariate shift," International Conference on Machine Learning. pp. 448-456. 2015.
SRIVASTAVA, Nitish, et al. Dropou, "A simple way to prevent neural networks from overfitting," Journal of machine learning research, 15.1: 1929-1958. 2014.
KINGMA, Diederik; BA, Jimmy. Adam: "A method for stochastic optimization," arXiv preprint arXiv:1412.6980, 2014.
NAIR, Vinod, HINTON, Geoffrey E, "Rectified linear units improve restricted boltzmann machines," Proceedings of the 27th international conference on machine learning (ICML-10). pp. 807-814. 2010.
KLAMBAUER,Gunter,et al."Self-Normalizing Neural Networks," arXiv preprint arXiv: 1706.02515, 2017.
CHANG, Chih-Chung, LIN, Chih-Jen. LIBSVM, "A library for support vector machines," ACM transactions on intelligent systems and technology (TIST), 2.3: 27, 2011.
LI, Ruonan, ZICKLER, Todd. "Discriminative virtual views for cross-view action recognition," Computer Vision and Pattern Recognition (CVPR), 2012 IEEE Conference on. IEEE, pp. 2855-2862. 2012.
LI, Binlong;CAMPS, Octavia I.;SZNAIER, Mario."Cross-view activity recognition using hankelets," Computer Vision and Pattern Recognition(CVPR),2012 IEEE Conference on. IEEE, pp.1362-1369. 2012.
SADANAND, Sreemanananth, CORSO, Jason J. Action bank "A high-level representation of activity in video,". Computer Vision and Pattern Recognition (CVPR), 2012 IEEE Conference on. IEEE, pp. 1234-1241. 2012.
MAJI, Subhransu, BOURDEV, Lubomir, MALIK, Jitendra. "Action recognition from a distributed representation of pose and appearance," Computer Vision and Pattern Recognition (CVPR), 2011 IEEE Conference on. IEEE, pp. 3177-3184. 2011.
WANG, Jiang, et al. "Cross-view action modeling, learning and recognition," Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. pp. 2649-2656. 2014.
OREIFEJ, Omar, LIU, Zicheng. Hon4d "Histogram of oriented 4d normals for activity recognition from depth sequences," Computer vision and pattern recognition (CVPR), 2013 IEEE conference on. IEEE, pp. 716-723. 2013.
CAO, Liangliang, et al. "Heterogeneous feature machines for visual recognition," Computer Vision, 2009 IEEE 12th International Conference on. IEEE, pp. 1095-1102. 2009.
CAI, Zhuowei, et al. "Multi-view super vector for action recognition," Proceedings of the IEEE conference on Computer Vision and Pattern Recognition. pp. 596-603. 2014.
ZHANG, Yu; YEUNG, Dit Yan. "Multi-task learning in heterogeneous feature spaces," 25th AAAI Conference on Artificial Intelligence and the 23rd Innovative Applications of Artificial Intelligence Conference, AAAI-11/IAAI-11, San Francisco, CA, United States, 7-11 August 2011, Code 87049, Proceedings of the National Conference on Artificial Intelligence. pp. 574. 2011.
S.Shin, and J.Cha, "Human Activity Recognition System Using Multimodal Sensor and Deep Learning Based on LSTM,", Transactions of the Korean Society of Mechanical Engineers-A 42(2), pp 111-121. 2018.2,

상세보기
S.Jo, H.Kang, "Real-time object tracking in Multi-Camera environments,", Journal of Computing Science and Engineering, 2004.10, Vol. 31, No. 2 (II),pp691-693

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증