Enhancing Effectiveness of Descriptors for Searching and Recognition in Motion Capture Data
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216224%3A14330%2F17%3A00094977" target="_blank" >RIV/00216224:14330/17:00094977 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1109/ISM.2017.39" target="_blank" >http://dx.doi.org/10.1109/ISM.2017.39</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1109/ISM.2017.39" target="_blank" >10.1109/ISM.2017.39</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Enhancing Effectiveness of Descriptors for Searching and Recognition in Motion Capture Data
Popis výsledku v původním jazyce
Computer-aided analyses of motion capture data require an effective and efficient concept of motion similarity. Traditional methods generally compare motion sequences by applying time-warping techniques to high-dimensional trajectories of joints. An increasing effectiveness of machine-learning techniques, such as deep convolutional neural networks, brings new possibilities for similarity comparison. Inspired by recent advances in neural networks and image processing, we propose new variants of transformation of motion sequences into 2D images. The generated images are used to fine-tune a neural network from which 4,096D features are extracted and compared by a modified Euclidean distance. The proposed concept is not only efficient but also very effective and outperforms existing methods on a challenging dataset with 130 categories.
Název v anglickém jazyce
Enhancing Effectiveness of Descriptors for Searching and Recognition in Motion Capture Data
Popis výsledku anglicky
Computer-aided analyses of motion capture data require an effective and efficient concept of motion similarity. Traditional methods generally compare motion sequences by applying time-warping techniques to high-dimensional trajectories of joints. An increasing effectiveness of machine-learning techniques, such as deep convolutional neural networks, brings new possibilities for similarity comparison. Inspired by recent advances in neural networks and image processing, we propose new variants of transformation of motion sequences into 2D images. The generated images are used to fine-tune a neural network from which 4,096D features are extracted and compared by a modified Euclidean distance. The proposed concept is not only efficient but also very effective and outperforms existing methods on a challenging dataset with 130 categories.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
<a href="/cs/project/GBP103%2F12%2FG084" target="_blank" >GBP103/12/G084: Centrum pro multi-modální interpretaci dat velkého rozsahu</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2017
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
19th IEEE International Symposium on Multimedia
ISBN
9781538629376
ISSN
—
e-ISSN
—
Počet stran výsledku
4
Strana od-do
240-243
Název nakladatele
IEEE Computer Society
Místo vydání
Neuveden
Místo konání akce
Taichung, Taiwan
Datum konání akce
1. 1. 2017
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—