En este trabajo, se utiliza un algoritmo de red neuronal de confianza profunda para diseñar y analizar en profundidad el modelo de alerta de riesgo para el funcionamiento del estadio. Muchos factores, como el ángulo de filmación del vídeo, el brillo del fondo, la diversidad de características y la relación entre los comportamientos humanos, hacen que la detección de comportamientos basada en atributos sea el centro de atención de los investigadores. Para abordar estos factores, los investigadores han propuesto un método para extraer el esqueleto del comportamiento humano y la información de las características del flujo óptico de los vídeos. La clave del método de reconocimiento basado en la red neuronal de confianza profunda es la extracción del esqueleto humano, que extrae la secuencia del esqueleto del comportamiento humano de un vídeo de vigilancia, donde cada fotograma del esqueleto contiene 18 articulaciones del esqueleto humano y el valor de confianza estimado para cada fotograma del esqueleto, y construye un modelo de red neuronal de confianza profunda para clasificar el comportamiento peligroso basándose en la información de características del esqueleto obtenida, combinada con el vector temporal de la secuencia del esqueleto, y determinar el nivel de peligro del comportamiento estableciendo el valor umbral correspondiente. La red neuronal de confianza profunda utiliza una información de características diferente en comparación con la red convolucional de gráficos espaciotemporales. La red neuronal de confianza profunda establece el modelo de red neuronal de confianza profunda basado en la información del flujo óptico humano, combinado con la inferencia relacional temporal de los fotogramas de vídeo. La clave del método de reconocimiento basado en la red de relación temporal es extraer algunos fotogramas del vídeo de forma ordenada o aleatoria en la red de relación temporal. En este trabajo, utilizamos varios métodos para realizar experimentos de comparación, y los resultados muestran que el método de reconocimiento basado en características de esqueleto y flujo óptico es significativamente mejor que el algoritmo de extracción manual de características.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Recocido térmico del grafeno exfoliado
Artículo:
Modelo de conjunto profundo para la clasificación de nuevos coronavirus en imágenes de rayos X de tórax
Artículo:
Síntesis de Zn(8-hidroxiquinoleína)2(H2O)2 encapsulado en el poro de BioMOF1 para la detección de oxígeno disuelto en agua
Artículo:
Diseño e implementación de un sistema de control de aire acondicionado de bajo consumo energético para vehículos inteligentes
Artículo:
La enzima FDTS como objetivo para enfermedades infecciosas y agentes de guerra biológica
Libro:
Metodología del marco lógico para la planificación, el seguimiento y la evaluación de proyectos y programas
Presentación:
Estudio de movimientos y tiempos
Artículo:
Emisiones globales de gases de efecto invernadero provenientes de materiales de construcción residencial y comercial: estrategias de mitigación para 2060
Software:
Simulación del proceso de extracción sólido-líquido EXTSL