An Optimized Deep LSTM Model for Human Action Recognition
Notice bibliographique
Résumé
The behaviour of human is termed to be an imperative aspect in social communiqué .The detection of human activities represents a type of clues that provide assessment of human behaviour.The recognition of human activities is complex because of the large alterations of human activities in day-to-day life.Also, the accurate action recognition is a complicated procedure due to cluttered backgrounds and changes in viewpoint variations.This paper designs a technique to identify the actions of humans using optimized Deep Long Short Term Memory (Deep LSTM).The aim is to devise an optimization driven deep model for determining the actions of human considering a set of videos.The extraction of video frame is performed.Then, the features, like spider local image feature, shape local binary texture (SLBT), local Texton XOR pattern, Local Gabor Binary Pattern (LGBP), Shape Index histogram, Local Gabor XOR patterns (LGXP) and statistical features are mined.After that, the detection of human action is done using Deep LSTM wherein training is implemented with proposed improved invasive weed based Poor rich (IIWBPR) algorithm.The proposed IIWBPR-based Deep LSTM outperformed and provided supreme accuracy of 92.3%, sensitivity of 92% specificity of 92.6% and F1 Score of 91.9%.The accuracy of the IIWBPR-based Deep LSTM is 17.77%, 15.06%, 8.02%, and 7.80% improved than the existing comparative methods.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».