推荐星级:
  • 1
  • 2
  • 3
  • 4
  • 5

基于深度学习和智能规划的行为识别

更新时间:2019-12-30 15:03:52 大小:2M 上传用户:songhuahua查看TA发布的资源 标签:深度学习智能规划 下载积分:1分 评价赚积分 (如何评价?) 打赏 收藏 评论(0) 举报

资料介绍

现有行为识别方法在未能持续覆盖造成视频监控盲区所引起行为数据缺失的情况,难以有效实施特征分析、行为分类补全,无法准确识别出智能体完整的行为动作序列.为此,本文提出一种基于深度学习和智能规划的行为识别方法.首先,利用深度残差网络对图像进行分类训练,然后使用递归神经网络对图像特征进行提取深度信息以增强分类效果;其次,运用智能规划的STRIPS(Stanford Research Institute Problem Solver)模型,将深度学习提取的图像特征命题信息转化为规划领域的模型描述文档,并使用前向状态空间搜索规划器推导出完整的行为动作序列.在HMDB51等行为识别公共数据集中,本方法与生成式对抗网络、深度卷积逆向图网络、深度信念网络、支持向量机等同类先进方法相比展现出更好的性能.


部分文件列表

文件名 大小
基于深度学习和智能规划的行为识别.pdf 2M

部分页面预览

(完整内容请下载后查看)
8
Vol. 47 No. 8  
Aug. 2019  
2019  
8
ACTA ELECTRONICA SINICA  
和智能  
1
1
1
2
1
, , , ,  
郑兴华 孙喜庆 吕嘉欣 鲜征征 李 磊  
( 1.  
数据科学与计算机广广州  
510006; 2.  
广金融学院互网金融与信工程学广广州  
510521)  
:
法在覆盖引起数据的情况 以有效特征  
,  
准确出智能体完本文提出和智能行  
, ,  
法 首先 网络进行类训练 使递归网络特征进行以  
;
STRIPS( Stanford Research Institute Problem Solver)  
像  
其次 智能的  
特征述文使用前搜索划器推导出完在  
HMDB51  
公共数据网络 网络 网络 同  
法相好的能  
:
;
;
;
;
;
STRIPS ;  
空  
关键词  
搜索划器  
中图分类号  
URL: http: / /www. ejournal. org. cn  
智能网络 递归网络  
:
TP302  
:
A
: 0372-2112 ( 2019) 08-1661-08  
DOI: 10. 3969 /j. issn. 0372-2112. 2019. 08. 008  
文献标识码  
文章编号  
电子学报  
Action Recognition Based on Deep Learning and  
Artificial Intelligence Planning  
1
1
1
2
1
ZHENG Xing-hua SUN Xi-qing LU Jia-xin XIAN Zheng-zheng LI Lei  
( 1. School of Data and Computer ScienceSun Yat-sen UniversityGuangzhouGuangdong 510006China;  
2. School of Internet Finance and Information EngineeringGuangdong University of FinanceGuangzhouGuangdong 510521China)  
Abstract: Currentlyaction recognition methods can hardly carry out feature analysisbehavior classificationand ac-  
tion completionand are incapable of accurately identifying the complete behavioral action sequence of intelligent agent for  
the discontinuous and incomplete motion capturebehavioral data missing or even broken in the time dimensionwhich are  
resulted from sensor device not being continuous coverage caused by the monitoring blind area. In this regardwe put for-  
ward a method of action recognition based on deep learning and artificial intelligence planning. Firstlya deep learning net-  
work is constructedby which the image is classified and trained using DRN( Deep Residual Network) . After thatthe ex-  
traction depth information of image frame feature for recurrent neural network is trained to enhance the classification effect.  
Secondlythe STRIPS( Stanford Research Institute Problem Solver) planning model is used to extract the image feature of  
deep learningtransforming into the description document for domain modelwhich facilitates deriving the optimal planning  
solution by means of forward state-space search planner. In the experimentwe exhibit that our method outperforms baselines  
in the public datasetse. g. DCIGN( Deep Convolutional Inverse Graphics Networks) GAN( Generative Adversarial Net-  
works) DBN( Deep Belief Networks) and SVM( Support Vector Machine) .  
Key words: action recognition; deep learning; artificial intelligence planning; deep residual network; recurrent neural  
network; STRIPS planning model; forward state-space search planner  
智能体的为效出发 准确别  
1
引言  
出智能体的的过前  
( action recognition)  
是指到  
别  
大多视  
: 2018-05-18;  
: 2019-01-02;  
:
责任编辑 蓝红杰  
收稿日期  
修回日期  
:
基金项目 广省自然科学基金  
( No. 2017A030313391) ;  
( No. 2017A050501042)  
广省科技项目  
1662  
2019  
,  
数据进行出智能  
: B A, ,  
走到 从抽咖啡 咖啡咖  
体的作 并环境作的目  
A B.  
煮熟 再从咖啡上 这种行  
12]  
的 过及效果进行语义述  
是可有效的  
数据勃  
、 、  
已成为机器学模式及  
34]  
数据挖掘研究点  
主要为提特征和理  
(  
两个阶段 实中 会面间复杂智能体  
) ( )  
度上数据等  
、  
问题 感器 等设备覆  
成的引起捕捉智能体连  
,  
度上数据准确识  
5]  
:
种  
; ,  
出智能体完卷  
( Convolution Neural Network,  
络  
CNN) : 3D  
网络算法结构及算复杂度不  
多次量  
使时空  
问题 而递归经  
1920]  
;
以及下采作以获取全局特征达  
, ,  
网络 量不足较难致  
: “  
自编输  
准确降低 等等  
,  
思想无监隐藏多于入时得到  
( deep learning)  
习  
是一于对数据实  
2]  
5]  
隐藏入时降维  
;
限  
的机器学法  
有多层  
:
兹曼机的信网络 由隐藏和  
隐藏的机器学以及训练获  
2122]  
6]  
构成的概率型  
递  
过将状  
态在网络中环传方式结构输  
Hinton  
取更的特征来进行测  
7]  
( Recurrent Neural NetworkRNN) :  
网络  
提出系概念后  
成为沿  
( artificial intelligence planning)  
在  
89]  
点  
智能划  
、  
递归引起爆炸 以及法  
完成情之问题以及  
2324]  
捕捉间关联等问题  
理方式进行析 并骤  
计划动前是一种问题科  
3
基于度学智能规划法  
、  
就是运用人工智能技  
本文提出和智能识  
, ,  
自动期  
( Action Recognition Based on Deep Learning and  
法  
1011]  
STRIPS( Stanford Re-  
计划标  
使用  
型来解模  
在以推导智能体作过  
Artificial Intelligence PlanningARDLAP) ,  
度  
search Institute Problem Solver)  
进行类训练 使递归网络对  
12]  
间的关系  
征提用  
13]  
本文选择的特征提  
面极势  
STRIPS  
特征转  
1214]  
STRIPS  
智能的  
型  
相结解  
述文最后空  
问题  
搜索划器推导出完列  
3. 1  
算法框架  
2
相关工作  
15]  
ARDLAP  
: ,  
算法框架部分 一是的  
目前 研究问题的有法  
:
16]  
17]  
18]  
; ,  
的特征强化分智能划 目识  
理方法  
概率理方法  
板匹法  
1  
智能体的完算法 示  
:
着行研究复杂多变  
感器 覆盖造  
1
算法  
基于度学智能规划法  
的情况 上述法对智能体  
1]  
B  
房  
准确别  
:
输入 初始态的态的像  
训练集  
A T1 T2  
两个在 和  
像  
件  
1( a) ( b) ,  
人移电  
捕捉到的图  
述文题文件  
, ,  
增加杯咖啡 上述无  
:
输出 从初始态间的列  
T1 T2  
作 这推  
出  
:
步骤  
1:  
T1  
从  
T2  
捕捉为  
(  
网络网络数  
)

全部评论(0)

暂无评论

上传资源 上传优质资源有赏金

  • 打赏
  • 30日榜单

推荐下载