Reconnaissance des actions humaines à partir d'une séquence vidéo
Notice bibliographique
Résumé
The work done in this master's thesis, presents a new system for the\n recognition of human actions from a video sequence. The system uses,\n as input, a video sequence taken by a static camera. A binary\n segmentation method of the the video sequence is first achieved, by a\n learning algorithm, in order to detect and extract the different people\n from the background. To recognize an action, the system then exploits\n a set of prototypes generated from an MDS-based dimensionality\n reduction technique, from two different points of view in the video\n sequence. This dimensionality reduction technique, according to two\n different viewpoints, allows us to model each human action of the\n training base with a set of prototypes (supposed to be similar for\n each class) represented in a low dimensional non-linear space. The\n prototypes, extracted according to the two viewpoints, are fed to a\n $K$-NN classifier which allows us to identify the human action that\n takes place in the video sequence. The experiments of our model\n conducted on the Weizmann dataset of human actions provide interesting\n results compared to the other state-of-the art (and often more\n complicated) methods. These experiments show first the\n sensitivity of our model for each viewpoint and its effectiveness to\n recognize the different actions, with a variable but satisfactory\n recognition rate and also the results obtained by the fusion of these\n two points of view, which allows us to achieve a high performance \n recognition rate.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,005 | 0,003 |
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 ».