Augmenting Spatio-Temporal Human Motion Data for Effective 3D Action Recognition

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216224%3A14330%2F19%3A00107708" target="_blank" >RIV/00216224:14330/19:00107708 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1109/ISM46123.2019.00044" target="_blank" >http://dx.doi.org/10.1109/ISM46123.2019.00044</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/ISM46123.2019.00044" target="_blank" >10.1109/ISM46123.2019.00044</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Augmenting Spatio-Temporal Human Motion Data for Effective 3D Action Recognition

Popis výsledku v původním jazyce

Action recognition is a fundamental operation in 3D human motion analysis. Existing deep learning classifiers achieve a high recognition accuracy if large amounts of training data are provided. However, such data are difficult to obtain in a variety of application scenarios, mainly due to the high costs of motion capture technologies and an absence of suitable actors. In this paper, we propose augmentation techniques to artificially enlarge existing collections of 3D human skeleton sequences. The proposed techniques are especially useful for datasets distinguishing in a high number of classes, each of them characterized by only a limited number of action samples. We experimentally demonstrate that the augmented data help to significantly increase the recognition accuracy even using a standard deep learning architecture.

Název v anglickém jazyce

Augmenting Spatio-Temporal Human Motion Data for Effective 3D Action Recognition

Popis výsledku anglicky

Action recognition is a fundamental operation in 3D human motion analysis. Existing deep learning classifiers achieve a high recognition accuracy if large amounts of training data are provided. However, such data are difficult to obtain in a variety of application scenarios, mainly due to the high costs of motion capture technologies and an absence of suitable actors. In this paper, we propose augmentation techniques to artificially enlarge existing collections of 3D human skeleton sequences. The proposed techniques are especially useful for datasets distinguishing in a high number of classes, each of them characterized by only a limited number of action samples. We experimentally demonstrate that the augmented data help to significantly increase the recognition accuracy even using a standard deep learning architecture.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10200 - Computer and information sciences

Projekt

<a href="/cs/project/GA19-02033S" target="_blank" >GA19-02033S: Vyhledávání, analytika a anotace datových toků lidských pohybů</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2019

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

21st IEEE International Symposium on Multimedia (ISM)

ISBN

9781728156064

ISSN

—

e-ISSN

—

Počet stran výsledku

4

Strana od-do

204-207

Název nakladatele

IEEE Computer Society

Místo vydání

Neuveden

Místo konání akce

San Diego, California, USA

Datum konání akce

1. 1. 2019

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000528909200033