Распознавание активности направлено на распознавание действий и целей одного или нескольких агентов из серии наблюдений за действиями агентов и условиями окружающей среды. С 1980-х годов эта область исследований привлекла внимание нескольких сообществ компьютерных наук благодаря своей силе в предоставлении персонализированной поддержки для множества различных приложений и ее связи со многими различными областями исследований, такими как медицина, взаимодействие человека с компьютером или социология.
Из-за его многогранности в различных областях распознавание деятельности может относиться как к распознаванию плана, распознаванию целей, распознаванию намерений, распознаванию поведения, оценке местоположения и услугам на основе местоположения .
Типы
Сенсорное распознавание активности одного пользователя
Распознавание активности на основе датчиков объединяет развивающуюся область сенсорных сетей с новыми методами интеллектуального анализа данных и машинного обучения для моделирования широкого спектра человеческой деятельности. [1] [2] Мобильные устройства (например, смартфоны) предоставляют достаточные данные датчиков и вычислительную мощность, позволяющие распознавать физическую активность и оценивать потребление энергии в повседневной жизни. Исследователи сенсорного распознавания активности считают, что, предоставив повсеместным компьютерам и сенсорам возможность отслеживать поведение агентов (с согласия), эти компьютеры будут лучше приспособлены для действий от нашего имени.
Уровни сенсорного распознавания активности
Распознавание активности на основе датчиков - сложная задача из-за присущего шуму характера входного сигнала. Таким образом, статистическое моделирование было основным направлением в этом направлении по слоям, где распознавание на нескольких промежуточных уровнях проводится и связано. На самом низком уровне, где собираются данные датчиков, статистическое обучение касается того, как найти подробные местоположения агентов по полученным данным сигнала. На промежуточном уровне статистический вывод может касаться того, как распознать действия людей на основе предполагаемых последовательностей местоположений и условий окружающей среды на более низких уровнях. Более того, на самом высоком уровне основная задача состоит в том, чтобы выяснить общую цель или подцели агента из последовательностей действий с помощью сочетания логических и статистических рассуждений.
Сенсорное распознавание многопользовательской активности
Распознавание действий для нескольких пользователей с использованием датчиков на теле впервые появилось в работе ORL с использованием активных систем значков [3] в начале 1990-х годов. Другие сенсорные технологии, такие как датчики ускорения, использовались для определения моделей групповой активности во время офисных сценариев. [4] Действия нескольких пользователей в интеллектуальных средах рассматриваются в Gu et al . [5] В этой работе они исследуют фундаментальную проблему распознавания действий нескольких пользователей по показаниям датчиков в домашней среде и предлагают новый подход к анализу шаблонов для распознавания как однопользовательских, так и многопользовательских действий в едином решении.
Сенсорное распознавание групповой активности
Распознавание групповых действий фундаментально отличается от распознавания однопользовательских или многопользовательских действий тем, что цель состоит в том, чтобы распознать поведение группы как единого целого, а не действия отдельных членов в ней. [6] Групповое поведение является эмерджентным по своей природе, что означает, что свойства поведения группы фундаментально отличаются от свойств поведения индивидов внутри нее или любой суммы этого поведения. [7] Основные проблемы заключаются в моделировании поведения отдельных членов группы, а также ролей индивида в динамике группы [8] и их параллельного отношения к возникающему поведению группы. [9] Проблемы, которые еще предстоит решить, включают количественную оценку поведения и ролей людей, которые присоединяются к группе, интеграцию явных моделей для описания ролей в алгоритмы вывода и оценки масштабируемости для очень больших групп и толп. Распознавание групповой активности имеет приложения для управления толпой и реагирования в чрезвычайных ситуациях, а также для социальных сетей и приложений Quantified Self . [10]
Подходы
Распознавание активности с помощью логики и рассуждений
Подходы, основанные на логике, позволяют отслеживать все логически последовательные объяснения наблюдаемых действий. Таким образом, необходимо учитывать все возможные и последовательные планы или цели. Каутц представил формальную теорию распознавания планов. Он описал распознавание плана как процесс логического вывода об ограничении. Все действия и планы единообразно называются целями, а знания распознающего лица представлены набором утверждений первого порядка, называемых иерархией событий. Иерархия событий закодирована в логике первого порядка, которая определяет абстракцию, декомпозицию и функциональные отношения между типами событий. [11]
Общая структура Каутца для распознавания планов в худшем случае имеет экспоненциальную временную сложность, измеряемую размером входной иерархии. Леш и Эциони пошли еще дальше и представили методы увеличения масштаба распознавания целей, чтобы масштабировать свою работу в вычислительном отношении. В отличие от подхода Каутца, где явно представлена библиотека планов, подход Леша и Этциони позволяет автоматическое построение библиотеки планов из примитивов предметной области. Кроме того, они представили компактные представления и эффективные алгоритмы распознавания целей в библиотеках больших планов. [12]
Несогласованные планы и цели многократно сокращаются при появлении новых действий. Кроме того, они также представили методы адаптации распознавателя целей для обработки индивидуального идиосинкратического поведения на основе недавнего поведения человека. Pollack et al. описал модель прямой аргументации, которая может знать об относительной силе нескольких видов аргументов в пользу описания убеждений и намерений.
Серьезной проблемой подходов, основанных на логике, является их неспособность или неотъемлемая неосуществимость представления неопределенности. Они не предлагают механизма для предпочтения одного последовательного подхода к другому и неспособны решить, является ли один конкретный план более вероятным, чем другой, при условии, что оба из них могут быть достаточно последовательными, чтобы объяснить наблюдаемые действия. Также отсутствует способность к обучению, связанная с методами, основанными на логике.
Другой подход к распознаванию активности на основе логики заключается в использовании потокового обоснования, основанного на программировании набора ответов, [13] и применялся для распознавания действий для приложений, связанных со здоровьем [14], который использует слабые ограничения для моделирования степени неоднозначности / неопределенности. .
Распознавание активности посредством вероятностных рассуждений
Теория вероятностей и статистические модели обучения в последнее время применяются в распознавании деятельности, чтобы рассуждать о действиях, планах и целях в условиях неопределенности. [15] В литературе было несколько подходов, которые явно представляют неопределенность в рассуждениях о планах и целях агента.
Используя данные датчиков в качестве входных данных, Ходжес и Поллак разработали основанные на машинном обучении системы для идентификации людей, выполняющих рутинные повседневные действия, такие как приготовление кофе. [16] Исследовательская лаборатория Intel (Сиэтл) и Вашингтонский университет в Сиэтле проделали ряд важных работ по использованию датчиков для обнаружения человеческих планов. [17] [18] [19] Некоторые из этих работ предполагают способы передвижения пользователя по показаниям радиочастотных идентификаторов (RFID) и систем глобального позиционирования (GPS).
Было показано, что использование временных вероятностных моделей хорошо помогает в распознавании активности и в целом превосходит невременные модели. [20] Генеративные модели, такие как скрытая марковская модель (HMM) и более общие динамические байесовские сети (DBN), являются популярным выбором при моделировании действий на основе данных датчиков. [21] [22] [23] [24] Дискриминационные модели, такие как условные случайные поля (CRF), также широко применяются и также обеспечивают хорошую производительность при распознавании действий. [25] [26]
И у генеративных, и у дискриминационных моделей есть свои плюсы и минусы, и идеальный выбор зависит от области их применения. Набор данных вместе с реализациями ряда популярных моделей (HMM, CRF) для распознавания активности можно найти здесь .
Обычные временные вероятностные модели, такие как скрытая марковская модель (HMM) и модель условных случайных полей (CRF), непосредственно моделируют корреляции между действиями и наблюдаемыми данными датчиков. В последние годы появляется все больше свидетельств в пользу использования иерархических моделей, которые учитывают богатую иерархическую структуру, существующую в поведенческих данных человека. [22] [27] [28] Основная идея здесь заключается в том, что модель не коррелирует напрямую действия с данными датчиков, а вместо этого разбивает активность на подмеры (иногда называемые действиями) и соответственно моделирует лежащие в основе корреляции. . Примером может служить приготовление жаркого, которое можно разбить на вспомогательные действия или действия по нарезке овощей, обжариванию овощей на сковороде и подаче на тарелку. Примерами такой иерархической модели являются многоуровневые скрытые марковские модели (LHMM) [27] и иерархическая скрытая марковская модель (HHMM), которые, как было показано, значительно превосходят свой неиерархический аналог в распознавании активности. [22]
Подход к распознаванию активности, основанный на интеллектуальном анализе данных
В отличие от традиционных подходов к машинному обучению, недавно был предложен подход, основанный на интеллектуальном анализе данных. В работе Гу и др. Проблема распознавания деятельности формулируется как проблема классификации на основе паттернов. Они предложили подход к интеллектуальному анализу данных, основанный на различительных паттернах, которые описывают значительные изменения между любыми двумя классами активности данных для распознавания последовательных, чередующихся и параллельных действий в едином решении. [29] Гилберт и др. используйте 2D-углы как в пространстве, так и во времени. Они сгруппированы пространственно и временно с использованием иерархического процесса с увеличивающейся областью поиска. На каждом этапе иерархии наиболее отличительные и описательные функции эффективно изучаются посредством интеллектуального анализа данных (правило априори). [30]
Распознавание активности на основе GPS
Распознавание активности на основе местоположения также может полагаться на данные GPS для распознавания действий. [31] [32]
Использование датчика
Распознавание активности на основе зрения
Это очень важная и сложная задача - отслеживать и понимать поведение агентов с помощью видео, снятых различными камерами. Основной используемый метод - компьютерное зрение . Распознавание активности на основе зрения нашло множество приложений, таких как взаимодействие человека с компьютером, дизайн пользовательского интерфейса, обучение роботов и наблюдение. Научные конференции, на которых часто появляется работа по распознаванию активности на основе видения, - это ICCV и CVPR .
В распознавании деятельности на основе видения проделана большая работа. Исследователи попытались использовать ряд методов, таких как оптический поток , фильтрация Калмана , скрытые модели Маркова и т. Д., В различных модальностях, таких как одиночная камера, стерео и инфракрасный порт. Кроме того, исследователи рассмотрели несколько аспектов по этой теме, включая отслеживание одиночных пешеходов, групповое отслеживание и обнаружение упавших объектов.
Недавно некоторые исследователи использовали камеры RGBD, такие как Microsoft Kinect, для обнаружения человеческой деятельности. Камеры глубины добавляют дополнительное измерение, то есть глубину, которую обычная 2d-камера не может обеспечить. Сенсорная информация от этих камер глубины использовалась для создания в реальном времени модели скелета людей с различным положением тела. Эта скелетная информация предоставляет значимую информацию, которую исследователи использовали для моделирования человеческих действий, которые обучаются, а затем используются для распознавания неизвестных видов деятельности. [33] [34]
В связи с недавней чрезвычайной ситуацией, связанной с глубоким обучением, распознавание активности на основе видео RGB стало быстро развиваться. Он использует видео, снятые камерами RGB, в качестве входных данных и выполняет несколько задач, в том числе: классификацию видео, обнаружение начала и конца активности в видео, а также пространственно-временную локализацию активности и людей, выполняющих эту деятельность.
Несмотря на заметный прогресс в области распознавания активности на основе зрения, его использование для большинства актуальных приложений визуального наблюдения остается далекой мечтой. [35] И наоборот, человеческий мозг, кажется, усовершенствовал способность распознавать человеческие действия. Эта способность зависит не только от приобретенных знаний, но и от способности извлекать информацию, относящуюся к заданному контексту и логическим рассуждениям. Основываясь на этом наблюдении, было предложено улучшить системы распознавания деятельности на основе видения путем интеграции здравого смысла, а также контекстуальных и здравых знаний . Эксперименты, проведенные с использованием видео- и RGBD-камер, демонстрируют дополнительную ценность такого подхода. [36] [37]
Уровни распознавания активности на основе зрения
При распознавании активности на основе зрения вычислительный процесс часто делится на четыре этапа, а именно обнаружение человека, отслеживание человека, распознавание активности человека и затем высокоуровневую оценку активности.
Мелкозернистая локализация действия
При распознавании активности на основе компьютерного зрения мелкозернистая локализация действий обычно обеспечивает маски сегментации изображения, очерчивающие человеческий объект и его категорию действия (например, сегмент-трубка [38] ). Такие методы, как динамические сети Маркова , CNN и LSTM , часто используются для использования семантических корреляций между последовательными видеокадрами.
Автоматическое распознавание походки
Один из способов узнать конкретных людей - это их походка. Программное обеспечение для распознавания походки можно использовать для записи характеристик походки или особенностей походки человека в базу данных с целью его последующего распознавания, даже если он носит маскировку.
Распознавание активности на основе Wi-Fi
Когда распознавание активности выполняется в помещении и в городах с использованием широко доступных сигналов Wi-Fi и точек доступа 802.11 , возникает много шума и неопределенности. Эти неопределенности можно смоделировать с помощью модели динамической байесовской сети . [39] В модели с множеством целей, которая может рассуждать о целях пользователя чередования, применяется детерминированная модель перехода состояний. [40] Другой возможный метод моделирует параллельные и чередующиеся действия в рамках вероятностного подхода. [41] Модель обнаружения действий пользователя может сегментировать сигналы Wi-Fi, чтобы производить возможные действия. [42]
Базовые модели распознавания Wi-Fi
Одна из основных идей распознавания активности Wi-Fi заключается в том, что когда сигнал проходит через человеческое тело во время передачи; что вызывает отражение, дифракцию и рассеяние. Исследователи могут получать информацию из этих сигналов для анализа деятельности человеческого тела.
Статическая модель трансмиссии
Как показано в [43], когда беспроводные сигналы передаются в помещении, препятствия, такие как стены, земля и человеческое тело, вызывают различные эффекты, такие как отражение, рассеяние, дифракция и дифракция. Следовательно, принимающая сторона принимает несколько сигналов с разных путей одновременно, потому что поверхности отражают сигнал во время передачи, что известно как эффект многолучевого распространения .
Статическая модель основана на этих двух типах сигналов: прямом сигнале и отраженном сигнале. Поскольку на прямом пути нет препятствий, прямую передачу сигнала можно смоделировать уравнением передачи Фрииса :
- - мощность, подаваемая на входные клеммы передающей антенны;
- - мощность, доступная на выходных клеммах приемной антенны;
- расстояние между антеннами;
- усиление передающей антенны;
- усиление приемной антенны;
- это длина волны радиочастоты
Если мы рассмотрим отраженный сигнал, новое уравнение будет следующим:
- расстояние между точками отражения и прямым путем.
Когда появляется человек, у нас появляется новый путь передачи. Таким образом, окончательное уравнение выглядит следующим образом:
это приблизительная разница в пути, вызванном человеческим телом.
Модель динамической трансмиссии
В этой модели мы рассматриваем движение человека, которое вызывает непрерывное изменение пути передачи сигнала. Мы можем использовать доплеровский сдвиг, чтобы описать этот эффект, связанный со скоростью движения.
Вычисляя доплеровский сдвиг принимаемого сигнала, мы можем выяснить характер движения, тем самым дополнительно идентифицируя деятельность человека. Например, в [44] доплеровский сдвиг используется как отпечаток пальца для достижения высокоточной идентификации девяти различных моделей движения.
Зона Френеля
Зона Френеля изначально использовалась для изучения интерференции и дифракции света, который позже используется для построения модели беспроводной передачи сигнала. Зона Френеля представляет собой серию эллиптических интервалов, фокусами которых являются положения отправителя и получателя.
Когда человек движется через разные зоны Френеля, путь сигнала, образованный отражением человеческого тела, изменяется, и если люди движутся вертикально через зоны Френеля, изменение сигнала будет периодическим. В статье [45] и [46] они применили модель Френеля к задаче распознавания активности и получили более точный результат.
Моделирование человеческого тела
В некоторых задачах мы должны рассмотреть возможность точного моделирования человеческого тела, чтобы добиться лучших результатов. Например, [46] описал человеческое тело как концентрические цилиндры для обнаружения дыхания. Внешняя сторона цилиндра обозначает грудную клетку, когда люди вдыхают, а внутренняя часть обозначает, что люди выдыхают. Таким образом, разница между радиусами этих двух цилиндров представляет собой расстояние перемещения во время дыхания. Изменение фаз сигнала можно выразить следующим уравнением:
- - изменение фаз сигнала;
- - длина волны радиочастоты;
- расстояние перемещения грудной клетки;
Приложения
Путем автоматического мониторинга человеческой деятельности можно обеспечить реабилитацию на дому для людей, страдающих черепно-мозговой травмой. Можно найти самые разные приложения, от приложений, связанных с безопасностью и логистической поддержки, до сервисов на основе определения местоположения . [47] Системы распознавания активности были разработаны для наблюдения за дикой природой [48] и энергосбережения в зданиях. [49]
Смотрите также
- Эффект ИИ
- Приложения искусственного интеллекта
- Условное случайное поле
- Распознавание жеста
- Скрытая марковская модель
- Анализ движения
- Наивный байесовский классификатор
- Опорные векторные машины
- Совместная сегментация объектов
- Схема искусственного интеллекта
- Анализ видеоконтента
Рекомендации
- ^ Танзим Чоудхури, Гаэтано Борриеллои др. Платформа мобильного зондирования: встроенная система распознавания активности. Появляется в журнале IEEE Pervasive Magazine - Special Issue on Activity-Based Computing, апрель 2008 г.
- ^ Nishkam Рави, Нихилу Dandekar, Preetham Майсур, Майкл Литтман. Распознавание активности по данным акселерометра . Материалы семнадцатой конференции по инновационным приложениям искусственного интеллекта (IAAI / AAAI 2005).
- ^ Хант Р., Хоппер А., Фалькао В., Гиббонс Дж .: Активная система определения местоположения значка, ACM-транзакции по информации, системам, Vol. 40, No. 1, pp. 91–102, январь 1992 г.
- ^ Бибер Г., Кирсте Т., Untersuchung des gruppendynamischen Aktivitaetsverhaltes im Office-Umfeld, 7. Berliner Werkstatt Mensch-Maschine-Systeme, Берлин, Германия, 2007
- ^ Тао Гу, Zhanqing Ву, Ван Лян, Xianping Тао, и Цзянь Лу. Новые шаблоны интеллектуального анализа данных для распознавания действий множества пользователей в распространенных вычислениях . В Proc. 6-й Международной конференции по мобильным и повсеместным системам: вычисления, сети и услуги (MobiQuitous '09), Торонто, Канада, 13–16 июля 2009 г.
- ^ Давуд Гордон, Ян-Хендрик Ханне, Мартин Берхтольд, Али Асгар Назари Ширехджини, Майкл Бейгл: На пути к распознаванию совместной групповой деятельности с использованием мобильных устройств , мобильных сетей и приложений 18 (3), 2013, стр. 326–340
- ^ Левин, К. Теория поля в социальных науках: избранные теоретические статьи. Мягкие обложки по социальным наукам. Харпер, Нью-Йорк, 1951.
- ^ Хирано, Т., и Маэкава, Т. Гибридная модель неконтролируемого / контролируемого распознавания групповой активности . In Proceedings of the 2013 International Symposium on Wearable Computers, ISWC '13, ACM (New York, NY, USA, 2013), 21–24.
- ^ Brdiczka, О., Maisonnasse, J., Reignier П., и Кроули, JL Обнаружение малых групп из мультимодальных наблюдений . Applied Intelligence 30, 1 (июль 2007 г.), 47–57.
- ^ Давуд Гордон, Распознавание групповой активности с использованием носимых сенсорных устройств , Диссертация, Технологический институт Карлсруэ, 2014
- ^ Х. Каутц. « Формальная теория распознавания плана ». Кандидатская диссертация, Рочестерский университет, 1987.
- ^ Н. Леш и О. Эциони. « Надежный и быстрый распознаватель целей ». В материалах Международной совместной конференции по искусственному интеллекту , 1995 г.
- ^ До, Тханг; Сенг В. Локе; Фэй Лю (2011). Программирование набора ответов для потокового мышления . Достижения в области искусственного интеллекта, конспекты лекций по информатике . Конспект лекций по информатике. 6657 . С. 104–109. CiteSeerX 10.1.1.453.2348 . DOI : 10.1007 / 978-3-642-21043-3_13 . ISBN 978-3-642-21042-6.
- ^ До, Тханг; Сенг В. Локе; Фэй Лю (2012). «HealthyLife: система распознавания активности со смартфоном с использованием логического обоснования потоков» (PDF) . Труды 9-й Международной конференции по мобильным и повсеместным системам: вычисления, сети и услуги (Mobiquitous 2012) .
- ^ Э. Чарняк и Р.П. Гольдман. « Байесовская модель распознавания плана ». Искусственный интеллект , 64: 53–79, 1993.
- ↑ MR Hodges и ME Pollack. « Отпечаток объекта: использование электронных датчиков для идентификации человека ». В материалах 9-й Международной конференции по повсеместным вычислениям , 2007 г.
- ^ Майк Перковиц, Мэттай Филипос, Дональд Дж. Паттерсон и Кеннет П. Фишкин. « Майнинг моделей человеческой деятельности из Интернета ». В материалах тринадцатой Международной конференции по всемирной паутине (WWW 2004), страницы 573–582, май 2004 г.
- ^ Маттай Филипос, Кеннет П. Фишкин, Майк Перковиц, Дональд Дж. Паттерсон, Дитер Фокс, Генри Каутц и Дирк Хенель. « Вывод действий из взаимодействия с объектами ». В IEEE Pervasive Computing , страницы 50–57, октябрь 2004 г.
- ^ Дитер Фокс Лин Ляо, Дональд Дж. Паттерсон и Генри А. Каутц. « Изучение и определение транспортных процедур ». Артиф. Intell. Т. 171 (5-6): 311–331, 2007.
- ^ TLM ван Kasteren, Gwenn Englebienne, ВпЙ Kröse. « Распознавание деятельности человека по данным беспроводной сенсорной сети: эталонный тест и программное обеспечение ». Распознавание действий в распространяющихся интеллектуальных средах, 165–186, Atlantis Press
- ^ Пиятилака, L .; Кодагода, С., « HMM на основе гауссовской смеси для распознавания повседневной деятельности человека с использованием функций трехмерного скелета », Industrial Electronics and Applications (ICIEA), 2013 8th IEEE Conference on, vol., No., Pp.567,572, 19–21 июня 2013 г.
- ^ a b c TLM van Kasteren, Gwenn Englebienne, Ben Kröse « Иерархическое распознавание действий с использованием автоматически кластеризованных действий », 2011, Ambient Intelligence, 82–91, Springer Berlin / Heidelberg
- ^ Дэниел Уилсон и Крис Аткесон. Одновременное отслеживание и распознавание активности (звезда) с использованием множества анонимных двоичных датчиков . В материалах 3-й международной конференции по Pervasive Computing, Pervasive, страницы 62–79, Мюнхен, Германия, 2005 г.
- ↑ Нурия Оливер , Барбара Розарио и Алекс Пентланд «Байесовская система компьютерного зрения для моделирования взаимодействий с людьми» появляется в специальном выпуске PAMI по визуальному наблюдению и мониторингу, август 00 г.
- ^ TLM Van Kasteren, Athanasios Noulas, Gwenn Englebienne, Ben Kröse, « Точное распознавание активности в домашних условиях », 21.09.2008, Труды 10-й международной конференции по повсеместным вычислениям, 1–9, ACM
- ↑ Дерек Хао Ху, Синно Джиалин Пан, Винсент Венчен Чжэн, Натан Нань Лю и Цян Ян. Распознавание активности в реальном мире с несколькими целями . В материалах 10-й международной конференции по повсеместным вычислениям, Ubicomp, страницы 30–39, Нью-Йорк, Нью-Йорк, США, 2008. ACM.
- ^ а б Нурия Оливер , Ашутош Гарг и Эрик Хорвиц. Многослойные представления для обучения и определения офисной деятельности по нескольким сенсорным каналам . Comput. Vis. Image Underst., 96 (2): 163–180, 2004.
- ^ Amarnag Субраманья, Alvin Радж, Джефф Билмс, и Дитер Фокс. Иерархические модели распознавания активности . В материалах международной конференции по обработке мультимедийных сигналов, MMSP, Виктория, Калифорния, октябрь 2006 г.
- ^ Тао Гу, Zhanqing Ву, Xianping Тао Хун Кенг Панг и Цзянь Лу. epSICAR: подход на основе новых шаблонов к последовательному, чередующемуся и параллельному распознаванию активности . В Proc. 7-й ежегодной международной конференции IEEE по повсеместным вычислениям и коммуникациям (Percom '09), Галвестон, Техас, 9–13 марта 2009 г.
- ^ Гилберт А., Иллингворт Дж., Боуден Р. Распознавание действий с использованием интеллектуальных иерархических составных функций . Анализ шаблонов IEEE Trans и машинное обучение
- ↑ Ляо, Линь, Дитер Фокс и Генри Каутц. « Иерархические условные случайные поля для распознавания активности на основе GPS ». Робототехнические исследования. Springer, Берлин, Гейдельберг, 2007. 487–506.
- ↑ Ляо, Линь, Дитер Фокс и Генри Каутц. « Распознавание активности на основе местоположения ». Достижения в системах обработки нейронной информации. 2006 г.
- ^ Пиятилака, L .; Кодагода, С., « HMM на основе гауссовской смеси для распознавания повседневной деятельности человека с использованием функций трехмерного скелета », Industrial Electronics and Applications (ICIEA), 2013 8th IEEE Conference on, vol., No., Pp.567,572, 19–21 июня 2013 г. URL: http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=6566433&isnumber=6566328
- ^ Piyathilaka, Л. и Kodagoda С., 2015. признание деятельности человека для домашних роботов. В области полевой и служебной робототехники (стр. 395-408). Спрингер, Чам. «Распознавание человеческой деятельности для домашних роботов»
- ^ Букс, Аллах; Ангелов, Пламен; Хабиб, Зульфикар (2017). «Комплексный обзор созданных вручную и основанных на обучении подходов к представлению действий для распознавания человеческой деятельности» . Прикладные науки . 7 (1): 110. DOI : 10,3390 / app7010110 .
- ^ Мартинес-дель-Ринкон, Хесус; Сантофимия Мария Хосе; Небель, Жан-Кристоф (2013). «Здравый смысл для распознавания действий человека» . Письма о распознавании образов . 34 (15): 1849–1860. DOI : 10.1016 / j.patrec.2012.10.020 .
- ^ Cantarero, R .; Сантофимия, MJ; Вилла, д .; Requena, R .; Campos, M .; Florez-Revuelta, F .; Nebel, J.-C .; Martinez-del-Rincon, J .; Лопес, JC (2016). Kinect и Episodic Reasoning для распознавания действий человека . Международная конференция по распределенным вычислениям и искусственному интеллекту (DCAI'16) . Достижения в интеллектуальных системах и вычислениях. 474 . С. 147–154. DOI : 10.1007 / 978-3-319-40162-1_16 . ISBN 978-3-319-40161-4.
- ^ Ван, Ле; Дуань, Сюйхуань; Чжан, Цилинь; Ню, Чжэньсин; Хуа, банда; Чжэн, Наньнин (22.05.2018). «Сегмент-трубка: пространственно-временная локализация действия в видео без обрезки с покадровой сегментацией» (PDF) . Датчики . 18 (5): 1657. DOI : 10,3390 / s18051657 . ISSN 1424-8220 . PMC 5982167 . PMID 29789447 . ].
- ^ Цзе Инь, Сяоюн Чай и Цян Ян, « Распознавание целей высокого уровня в беспроводной локальной сети ». В материалах Девятнадцатой национальной конференции по искусственному интеллекту (AAAI-04), Сан-Хосе, Калифорния, США, июль 2004 г. Страницы 578–584
- ^ Сяоюн Чай и Цян Ян, « Распознавание нескольких целей по сигналам низкого уровня ». Материалы двадцатой национальной конференции по искусственному интеллекту (AAAI 2005), Питтсбург, Пенсильвания, США, июль 2005 г. Страницы 3–8.
- ^ Дерек Хао Ху, Цян Ян. " CIGAR: одновременное и чередование цели и распознавания деятельности ", который появится в AAAI 2008
- ^ Цзе Инь, Доу Шен, Цян Ян и Цзяньянь Ли « Распознавание деятельности посредством сегментации на основе целей ». Материалы двадцатой национальной конференции по искусственному интеллекту (AAAI 2005), Питтсбург, Пенсильвания, США, июль 2005 г. Страницы 28–33.
- ^ Д. Чжан, Дж. Ма, К. Чен и Л. М. Ни, ¡° Система на основе радиочастот для слежения за объектами без приемопередатчиков, ¡±. Труды Pervasive Computing and Communications. Уайт-Плейнс, США, 2007: 135¨C144.
- ^ Q. Пу, С. Гупта, С. Голлакота и С. Патель, «Распознавание жестов в доме с использованием беспроводных сигналов». Материалы 19-й ежегодной международной конференции по мобильным вычислениям и сетям, Нью-Йорк, США, 2013: 27–38.
- ^ D. Wu, D. Zhang, C. Xu, Y. Wang и H. Wang. «Шире: оценка направления ходьбы с использованием беспроводных сигналов». Труды международной совместной конференции ACM 2016 по повсеместным и повсеместным вычислениям, Нью-Йорк. , США, 2016: 351–362.
- ^ a b H. Wang, D. Zhang, J. Ma, Y. Wang, Y. Wang, D. Wu, T. Gu и B. Xie, «Обнаружение человеческого дыхания с помощью обычных Wi-Fi-устройств: местоположение и тело пользователя. ориентация имеет значение? ». Труды Международной совместной конференции ACM по повсеместным и повсеместным вычислениям 2016 г., Нью-Йорк, США, 2016: 25–36.
- ^ Pollack, ME , и др., LEB 2003. « Autominder: интеллектуальная когнитивная ортопедическая система для людей с нарушением памяти. Архивировано 10 августа 2017 г. в Wayback Machine ». Робототехника и автономные системы 44 (3–4): 273–282.
- ^ Гао, Ляньли и др. « Веб-система семантической маркировки и распознавания активности для данных акселерометрии видов» . Экологическая информатика 13 (2013): 47–56.
- ↑ Нгуен, Туан Ань и Марко Айелло. « Энергетические интеллектуальные здания на основе активности пользователей: исследование ». Энергия и здания 56 (2013): 244–257.