$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

행동인식을 위한 다중 영역 기반 방사형 GCN 알고리즘
Multi-Region based Radial GCN algorithm for Human action Recognition 원문보기

스마트미디어저널 = Smart media journal, v.11 no.1, 2022년, pp.46 - 57  

장한별 (전남대학교 전자컴퓨터공학과) ,  이칠우 (전남대학교 컴퓨터정보통신공학과)

초록
AI-Helper 아이콘AI-Helper

본 논문에서는 딥러닝을 기반으로 입력영상의 옵티컬 플로우(optical flow)와 그래디언트(gradient)를 이용하여 종단간 행동인식이 가능한 다중영역 기반 방사성 GCN(MRGCN: Multi-region based Radial Graph Convolutional Network) 알고리즘에 대해 기술한다. 이 방법은 데이터 취득이 어렵고 계산이 복잡한 스켈레톤 정보를 사용하지 않기 때문에 카메라만을 주로 사용하는 일반 CCTV 환경에도 활용이 가능하다. MRGCN의 특징은 입력영상의 옵티컬플로우와 그래디언트를 방향성 히스토그램으로 표현한 후 계산량 축소를 위해 6개의 특징 벡터로 변환하여 사용한다는 것과 시공간 영역에서 인체의 움직임과 형상변화를 계층적으로 전파시키기 위해 새롭게 고안한 방사형 구조의 네트워크 모델을 사용한다는 것이다. 또 데이터 입력 영역을 서로 겹치도록 배치하여 각 노드 간에 공간적으로 단절이 없는 정보를 입력으로 사용한 것도 중요한 특징이다. 30가지의 행동에 대해 성능평가 실험을 수행한 결과 스켈레톤 데이터를 입력으로 사용한 기존의 GCN기반 행동인식과 동등한 84.78%의 Top-1 정확도를 얻을 수 있었다. 이 결과로부터 취득이 어려운 스켈레톤 정보를 사용하지 않는 MRGCN이 복잡한 행동인식이 필요한 실제 상황에서 더욱 실용적인 방법임을 알 수 있었다.

Abstract ▼ AI-Helper 아이콘AI-Helper

In this paper, multi-region based Radial Graph Convolutional Network (MRGCN) algorithm which can perform end-to-end action recognition using the optical flow and gradient of input image is described. Because this method does not use information of skeleton that is difficult to acquire and complicate...

주제어

#행동인식   #딥 러닝   #옵티컬 플로우   #이미지 그래디언트  

참고문헌 (16)

  1. Han-Byul Jang, Dae-Jin Kim, and Chil-Woo Lee, "Human Action Recognition based on ST-GCN using Opticalflow and Image Gradient," The 9th International Conference on Smart Media and Applications, pp. 255-260, Nov. 2020. 

  2. Jang, Han-Byul, and Chil-Woo Lee, "ST-GCN Based Human Action Recognition with Abstracted Three Features of Optical Flow and Image Gradient," International Workshop on Frontiers of Computer Vision. Springer, pp. 203-217, Cham, , July. 2021. 

  3. Jang, Han-Byul, and Chil-Woo Lee, "A human action recognition based on MRGCN using overlapped data acquisition regions," The 10th International Conference on Smart Media and Applications, pp. 10-15, Gunsan-si, South Korea, Sep. 2021. 

  4. Yan Sijie, Yuanjun Xiong, and Dahua Lin, "Spatial Temporal Graph Convolutional Networks for Skeleton-based Action Recognition," Thirty-second AAAI conference on artificial intelligence, pp. 7444-7452, Louisiana, USA, Feb. 2018. 

  5. Shahroudy Amir, et al. "Ntu rgb+ d: A large scale dataset for 3d human activity analysis," Proc. IEEE conference on computer vision and pattern recognition, pp. 1010-1019, 2016. 

  6. Vemulapalli Raviteja, Felipe Arrate, and Rama Chellappa, "Human action recognition by representing 3d skeletons as points in a lie group," Proc. IEEE conference on computer vision and pattern recognition, 2014. 

  7. Hussein Mohamed E., et al. "Human Action Recognition Using a Temporal Hierarchy of Covariance Descriptors on 3d Joint Locations," Proc. Twenty-third international joint conference on artificial intelligence, pp. 2466-2472, 2013. 

  8. Li Chuankun, et al. "Skeleton-based action recognition using LSTM and CNN," 2017 IEEE International Conference on Multimedia & Expo Workshops (ICMEW), IEEE, pp. 585-590, July. 2017. 

  9. Du Yong, Wei Wang, and Liang Wang, "Hierarchical recurrent neural network for skeleton based action recognition," Proc. IEEE conference on computer vision and pattern recognition, pp. 1110-1118, 2015. 

  10. Liu, Jun, et al. "Spatio-temporal lstm with trust gates for 3d human action recognition," European conference on computer vision, Springer, pp. 816-833, Cham, 2016. 

  11. Thakkar Kalpit, and P. J. Narayanan, "Part-based graph convolutional network for action recognition," arXiv preprint arXiv:1809.04983, Sep. 2018. 

  12. Li. Maosen, et al. "Actional-structural graph convolutional networks for skeleton-based action recognition," Proc. IEEE/CVF conference on computer vision and pattern recognition(CVPR), pp. 3595-3603, June. 2019. 

  13. Gao Xiang, et al. "Optimized skeleton-based action recognition via sparsified graph regression," Proc. 27th ACM International Conference on Multimedia, pp. 601-610, Oct. 2019. 

  14. 문성희, 이칠우, "누적 히스토그램과 랜덤 포레스트를 이용한 머리방향 추정," 스마트미디어저널, 제5권, 제1호, 38-43쪽, 2016년 3월 

    원문보기 상세보기

  15. 김준영 , 조성원, "얼굴 인식 기반 위변장 감지 시스템," 스마트미디어저널, 제4권, 제4호, 9-17쪽, 2015년 12월 

    원문보기 상세보기

  16. Lucas Bruce D., and Takeo Kanade, "An Iterative Image Registration Technique with an Application to Stereo Vision," Proc. DARPA Image Understanding Workshop, pp. 121-130, Apr. 1981. 

저자의 다른 논문 :

관련 콘텐츠

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로