การแจกแจงผสมแบบเกาส์ด้วยค่าคาดหมายสูงสุดสำหรับการจำแนกภาพท่าทางกิจวัตรประจำวันของมนุษย์
คำสำคัญ:
การประมวลผลภาพ, การแจกแจงผสมแบบเกาส์, ค่าคาดหมายสูงสุด, กิจวัตรประจำวันของมนุษย์บทคัดย่อ
ปัจจุบันการตรวจจับกิจกรรมของมนุษย์เป็นหัวข้อวิจัยที่มีความสำคัญอย่างมาก เนื่องจากความสามารถในการตรวจจับกิจวัตรประจำวันของมนุษย์จะช่วยเพิ่มขีดความสามารถของแอปพลิเคชันในคอมพิวเตอร์วิชัน มีหลายวิธีการที่พยายามรวมคำศัพท์จากเนื้อหาภายในภาพเข้ากับวิธีการทางสถิติเพื่อใช้ในการจำแนกรูปแบบท่าทางกิจกรรม และยังมีหลายวิธีการที่พยายามใช้การเรียนรู้แบบมีผู้สอนในการแยกแยะกิจกรรมของมนุษย์ ทำให้ยังมีข้อจำกัดที่ผูกติดกับเนื้อหาหรือคำอธิบายในภาพ แต่อย่างไรก็ตามยังคงเป็นหัวข้อที่ท้าทายเพื่อให้ได้ผลลัพธ์ที่ถูกต้องมากขึ้น ในงานวิจัยนี้ได้นำเสนอการจำแนกท่าทางกิจวัตรประจำวันของมนุษย์ด้วยการเรียนรู้แบบมีผู้สอนโดยใช้วิธีการแจกแจงแบบเกาส์ด้วยการประมาณค่าคาดหมายสูงสุด ได้แบ่งขั้นตอนการดำเนินงานวิจัย ออกเป็น 4 ส่วนหลัก ดังนี้ (1) การเตรียมข้อมูลภาพ (2) การกำหนดรูปแบบข้อมูลด้วยการแจกแจงแบบเกาส์ (3) การประมาณค่าคาดหมายสูงสุด และ (4) การวัดประสิทธิภาพการทำงาน ซึ่งได้ใช้ฐานข้อมูลมาตรฐานและจำแนกกิจกรรมออกเป็น 12 กลุ่มที่มีสภาพแวดล้อมพื้นหลังแตกต่างกัน จากผลการทดลองได้ค่าเฉลี่ยความถูกต้องสูงถึง 84.6% สำหรับการทดลองด้วยคำศัพท์ 150 คำ
References
Ranasinghe DC, Torres RLS, Wickramasinghe A. Automated activity recognition and monitoring of elderly using wireless sensors: Research challenges. 5th IEEE International Workshop on Advances in Sensors and Interfaces; 2013. p. 224-7.
Ann OC, Theng LB. Human activity recognition: A Review. 2014 IEEE International Conference on Control System, Computing and Engineering; 2014. p. 389-93.
Kay W, et al. The kinetics human action video dataset. Computer Vision and Pattern Recognition. 2017.
Zainudin MNS, Sulaiman MN, Mustapha N, Perumal T. Activity recognition based on accelerometer sensor using combinational classifiers. 2015 IEEE Conference on Open Systems (ICOS); 2016. p. 68-73.
Bulling A, Blanke U, Schiele B. A tutorial on human activity recognition using body-worn inertial sensors. ACM Computing Surveys (CSUR) 2014;46(3):1-33.
Yang JB, Nguyen MN, San PP, Li XL, Krishnaswamy S. Deep convolutional neural networks on multichannel time series for human activity recognition. Proceedings of the 24th International Conference on Artificial Intelligence. AAAI Press; 2015. p. 3995-4001.
Chinpanthana N, Phiasai T. Deep textual Searching for Visual Semantics of Personal Photo Collections with a Hybrid Similarity Measure. International Symposium on Computer Science and Intelligent Controls; 2017. p. 124-28.
Fine S, Singer Y, Tishby N. The hierarchical hidden Markov model: analysis and applications. Machine Learning 1998;32:41-62.
Natarajan P, Nevatia R. Coupled hidden semi Markov models for activity recognition. 2007 IEEE Workshop on Motion and Video Computing; 2007.
Jindong W, Yiqiang C, Shuji H, Xiaohui P, Lisha H. Deep Learning for Sensor-based Activity Recognition: A Survey Pattern Recognition Letters. 2019;119: 3-11.
Catal C,Tufekci S, Pirmit E, Kocabag G. On the use of ensemble of classifiers for accelerometer-based activity recognition. Applied Soft Computing 2015;37:1018-22.
Anguita D, Ghio A, Oneto L, Parra X, Reyes-Ortiz JL. Human activity recognition on smartphones using a multiclass hardware-friendly support vector machine. International Workshop of Ambient Assisted Living (IWAAL 2012); 2012. p. 216-23
Lopes N, Ribeiro B. Deep belief networks (DBNs). Machine Learning for Adaptive Many-Core Machines - A Practical Approach. Springer International Publishing; 2015. p. 155-86.
Chen Y, Xue Y. A deep learning approach to human activity recognition based on single accelerometer. 2015 IEEE International Conference on Systems, Man, and Cybernetics; 2015. p. 1488-92.
Zeng M, Nguyen LT, Yu B, Mengshoel OJ, Zhu J, Wu P, et al. Convolutional Neural Networks for human activity recognition using mobile sensors. 6th International Conference on Mobile Computing, Applications and Services; 2014. p. 197-205.
Alsheikh MA, Selim A, Niyato D, Doyle L, Lin S, Tan HP. Deep activity recognition models with triaxial accelerometers. AAAI workshop; 2016.
Ordonez FJ, Toledo P, Sanchis A. Sensor-based bayesian detection of anomalous living patterns in a home setting. Personal Ubiquitous Comput 2015;19(2):259-70.
Jennifer RK, Gary MW, Samuel AM. Activity recognition using cell phone accelerometers. ACM SigKDD Explorations Newsletter 2011;12(2):74-82.
Reyes-Ortiz JL, Oneto L, Samà A, Parra X, Anguita D. Transition-aware human activity recognition using smartphones. Neurocomputing 2016;171:754-67.
Everingham M, Gool L, Williams CK, Winn J, Zisserman A. The PASCAL visual object classes (VOC) challenge. International Journal of Computer Vision 2010;88:303-38.
Caesar H, Uijlings J, Ferrari V. COCO-Stuff: Thing and stuff classes in context. 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition; 2018. p. 1209-18.
Lin T, Maire M, Belongie SJ, Hays J, Perona P, Ramanan D, et al. Microsoft COCO: common objects in context. In: Fleet D, Pajdla T, Schiele B, Tuytelaars T, editors. Computer Vision – ECCV 2014. ECCV 2014. Lecture Notes in Computer Science, vol 8693. Springer, Cham. p. 740-55.
Dhillon IS, Guan Y, Kulis B. Kernel K-means: spectral clustering and normalized cuts. Proceedings of the Tenth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining; 2004. p. 551-6.
Frey PW, Slate DJ. Letter recognition using Holland-style adaptive classifiers. Machine Learning.1991;6:161-82.
Bishop CM. Pattern recognition and machine learning. New York: Springer; 2006.
Banfield JD, Raftery AE. Model-based Gaussian and non-Gaussian clustering. Biometrics 1993;49:803-21.
Chen M. EM algorithm for Gaussian mixture model (EM GMM) [Internet]. MATLAB Central File Exchange; 2021 [cited 2021 January 8]. Available from: https://www.mathworks.com/ matlabcentral/fileexchange/26184-em-algorithm-for-gaussian-mixture-model-em-gmm
Drumm-Boyd C. Activities & instrumental activities of daily living - definitions, importance and assessments [Internet]. 2020. Available from: https://www.payingforseniorcare.com/ activities-of-daily-living.
Costenoble A, Knoop V, Vermeiren S, Vella RA, Debain A, Rossi G, et al. A comprehensive overview of activities of daily living in existing frailty instruments: a systematic literature search. The Gerontologist; 2019.
Lian X, Li Z, Wang C, Lu B, Zhang L. Probabilistic models for supervised dictionary learning. Proceedings of the 2010 IEEE Conference on Computer Vision and Pattern Recognition; 2010. p. 2305-12.
Mairal J, Bach F, Ponce J, Sapiro G, Zisserman A. (2008). Discriminative learned dictionaries for local image analysis. IEEE Conference on Computer Vision and Pattern Recognition; 2008.
Downloads
เผยแพร่แล้ว
ฉบับ
บท
License
ลิขสิทธิ์
บทความที่ได้รับการตีพิมพ์ในวิศวกรรมสารเกษมบัณฑิต ถือเป็นกรรมสิทธิ์ของมหาวิทยาลัยเกษมบัณฑิต ห้ามนำข้อความทั้งหมดไปตีพิมพ์ซ้ำ ยกเว้นได้รับอนุญาตจากมหาวิทยาลัยเกษมบัณฑิตแล้ว
ความรับผิดชอบ
หากบทความที่ได้รับการตีพิมพ์นั้นเป็นบทความที่ละเมิดลิขสิทธิ์ของผู้อื่นหรือมีความไม่ถูกต้องในเนื้อหาของบทความ ผู้เขียนบทความนั้นต้องเป็นผู้รับผิดชอบ
