摘要
لمعالجة مشكلة الاستخراج غير الكافي وغير الشامل للميزات والدقة المنخفضة في التعرف على الحركات استنادًا إلى تسلسل هيكل العظام البشري، تقدم هذه الورقة نموذجًا للتعرف على الحركات يعتمد على ميزات متعددة الفروع وميزات مكانية وزمنية متعددة القياسات. أولاً، تم تعزيز الميزات للبيانات الأصلية باستخدام مزيج من الخوارزميات المتعددة؛ ثانيًا، تم تحسين شكل إدخال ميزات الفروع المتعددة إلى معلومات ميزات مدمجة ثم أدخلت بشكل منفصل إلى الشبكة، وبعد مرورها عبر وحدات الشبكة ذات العمق المناسب تم دمجها معًا؛ ثم تم بناء وحدة التلافيف المكانية الزمنية متعددة القياسات كوحدة أساسية للشبكة لاستخراج ميزات مكانية وزمنية متعددة القياسات؛ وأخيرًا، تم بناء نموذج الشبكة الكلي لإخراج فئة الحركة. تظهر نتائج التجارب أن دقة التعرف على معيارَي التقسيم Cross-subject و Cross-view في مجموعة بيانات NTU RGB-D 60 بلغت 89.6٪ و95.1٪ على التوالي، بينما بلغت الدقة على معيارَي التقسيم Cross-subject و Cross-setup في مجموعة بيانات NTU RGB-D 120 84.1٪ و86.0٪ على التوالي. بالمقارنة مع الخوارزميات الأخرى، تستخرج خوارزمية هذه الورقة ميزات حركية أكثر تنوعًا ومتعددة القياسات، مع تحسن معين في دقة التعرف على فئة الحركة.
关键词
التعرف على الحركات; ميزات متعددة القياسات; ميزات متعددة الفروع; دمج الميزات
以上内容由讯飞翻译自动生成，翻译内容仅供参考。对于因使用本网站翻译内容产生的相关后果，本网站不承担任何商业和法律责任。
The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website