HPO Using Dwarf Mongoose Optimization in the GAN Model for Human Gait Recognition
Notice bibliographique
Résumé
Automated video surveillance systems (AVSs) have recently become vital for ensuring public safety, particularly at events with huge audiences like sporting events.Machine (ML) and deep learning (DL) open the way for computers to think like humans even further by including training and learning components, which artificial intelligence (AI) already provides.In order to evaluate and make sense of surveillance data acquired by fixed or mobile cameras mounted indoors or outdoors, DL algorithms require data labelling and high-performance processors.Recent advances in generative adversarial networks (GANs) for image synthesis and creation in VSSs have made it a hot topic in the field of study to establish if a given input is typical or atypical.Therefore, this research presents a better GAN network to recognise human gaits and to distinguish between human actions that are normal and pathological in VSSs.To achieve this goal, we first combine global and local features to enhance learning in crucial local regions that include multiple key points.Two, we use metric learning to pull out shared and unique characteristics.After features have been retrieved, they are used as input by the classification module in order to identify GAN-generated pictures.DMO is used in this study to perform hyper-parameter optimization (HPO) in GAN, which provides significant metaheuristic balance between the survey and misuse phases.The suggested model outperformed the existing model on all three datasets (CASIA-A, B, and C) used in the validation process.The proposed model had an accuracy of 98.48% on the A dataset and 99.87% on the B dataset, whereas the previous model had an accuracy of almost 94% on both datasets.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».