این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
رایانش نرم و فناوری اطلاعات، جلد ۱۴، شماره ۱، صفحات ۱-۱۰
عنوان فارسی استفاده از شبکه‌های عصبی گرافی و مکانیزم توجه برای تشخیص حرکت انسان مبتنی بر داده‌های اسکلتی
چکیده فارسی مقاله در سال‌های اخیر شبکه‌های کانولوشن گرافی (GCN) عملکرد قابل توجهی در زمینه‌ی تشخیص حرکت مبتنی بر اسکلت به دست آورده‌اند. روش‌های مبتنی بر GCN موجود، معمولاً توپولوژی‌های گرافی ثابت و یک فیلتر کانولوشنی زمانی ثابت را برای استخراج ویژگی‌های مکانی و زمانی یک حرکت اعمال می‌کنند. از آنجایی که یک حرکت انجام شده توسط انسان، از طریق بخش‌های مختلف بدن در حوزه‌های زمانی هماهنگ می‌شوند و ویژگی‌های مختلفی را در حوزه‌ی زمانی نشان می‌دهند، این کار باعث از دست رفتن اطلاعات زیادی برای یک حرکت می‌شود. برای پرداختن به این موضوع، در این مقاله یک شبکه‌ی عصبی گرافی مبتنی بر توجه (AT-AR) برای کشف ویژگی‌های متمایز از جنبه‌های مکانی و زمانی ارائه می‌کنیم. مدل پیشنهادی از یک کانولوشن SPG Net برای یادگیری ویژگی‌های مکانی – زمانی استفاده می‌کند.ما همچنین از دو ماژول توجه استفاده می‌کنیم. مکانیسم توجه STA، یک امتیاز توجه را با استفاده از ویژگی‌های زمانی ایجاد می‌کند، که می‌تواند همبستگی‌های زمانی یک حرکت را افزایش دهد و مکانیزم خودتوجه نیز مفاصلی را انتخاب می‌کند که برای تشخیص حرکت مهم‌تر هستند. این دو ماژول توجه در یک شبکه دوجریانی با هم ترکیب شده‌اند و با استفاده از ورودی یکسان در دیتاست NTU RGB+D 60 کار تشخیص حرکت مبتنی بر اسکلت را انجام می‌دهند.
کلیدواژه‌های فارسی مقاله تشخیص حرکت انسان،داده اسکلتی،مکانیسم توجه،شبکه عصبی گرافی،یادگیری عمیق،
عنوان انگلیسی Using Graph Neural Networks and Attention Mechanism for Skeleton-Based Action Recognition
چکیده انگلیسی مقاله In recent years, graph convolutional networks (GCNs) have achieved significant performance in the field of skeleton-based action recognition. Existing GCN-based methods usually apply fixed graph topologies and a temporal convolutional filter to extract the spatial and temporal features of an action. Since an action is coordinated through different parts of the body in the time domain and shows different characteristics in the time domain, this work causes the loss of a lot of information about an action.
To address this issue, in this paper, we present an attention-based graph neural (AT-AR) network to discover distinct features from both spatial and temporal aspects. The proposed model uses an SPG Net convolution to learn Spatio-temporal features. In addition, the attention mechanism creates an attention score using temporal features, which can enhance the temporal correlations of an action. After establishing the two-stream structure, the AT-AR network has reached 96% and 97% accuracy under X-View and X-Sub on the NTU RGB+D dataset.
کلیدواژه‌های انگلیسی مقاله تشخیص حرکت انسان,داده اسکلتی,مکانیسم توجه,شبکه عصبی گرافی,یادگیری عمیق
نویسندگان مقاله محمد ملکی سینی |
دانشکده فنی و مهندسی، دانشگاه شهرکرد، شهرکرد، ایران.

رضا روحانی سروستانی |
دانشکده فنی و مهندسی، دانشگاه شهرکرد، شهرکرد، ایران.

نشانی اینترنتی https://jscit.nit.ac.ir/article_222128_72edb2bf2bf8d8a3bb21896d8d5b6fb4.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات