የድርጊት እውቅና
የተግባር ማወቂያ ኮምፒውተሮች በቪዲዮ ውስጥ ሰዎች ወይም ነገሮች የሚያደርጉትን እንዲለዩ የማስተማር ተግባር ነው - መሮጥ ፣ ማወዛወዝ ፣ መውደቅ ፣ በር መክፈት - በአንድ ፍሬም ውስጥ የሚታየውን ብቻ አይደለም።
አጠቃላይ እይታ
It matters because understanding motion over time unlocks applications from sports analytics to elderly fall detection.
ጥልቅ ዳይቭ
ፒክሰሎች በጊዜ ሂደት እንዴት እንደሚለወጡ በማሰብ የእርምጃ ማወቂያ ከስታቲስቲክ የምስል ምደባ አልፏል። አንድ ነጠላ ፍሬም አንድን ሰው በአየር መካከል ሊያሳይ ይችላል; እየዘለሉ፣ እየወደቁ ወይም እየጠለቁ መሆናቸውን የሚገልጽ ቅደም ተከተል ብቻ ነው። ቀደምት ስርዓቶች እንደ ኦፕቲካል ፍሰት እና ጥቅጥቅ ያሉ አቅጣጫዎች ያሉ በእጅ የተሰሩ የእንቅስቃሴ ባህሪያት። ዘመናዊ አቀራረቦች ጥልቅ አውታረ መረቦችን ይጠቀማሉ: ባለ ሁለት-ዥረት አርክቴክቸር ሂደት መልክ (RGB ፍሬሞች) እና እንቅስቃሴ (የጨረር ፍሰት) በተናጠል; 3D convolutional networks (እንደ C3D እና I3D) ተንሸራታች ማጣሪያዎች በቦታ * እና* ጊዜ; እና የቪዲዮ ትራንስፎርመሮች (TimeSformer፣ VideoMAE) በቦታ-ጊዜያዊ ጥገናዎች ላይ ትኩረት ይሰጣሉ። መደበኛ መመዘኛዎች ኪነቲክስ (700 የሰው ተግባር ክፍሎች ከዩቲዩብ)፣ UCF101 እና Something-something ያካትታሉ፣ ይህም ሞዴሎች የትዕይንት አውድ ብቻ ሳይሆን ጊዜያዊ አቅጣጫ እንዲረዱ የሚያስገድድ ነው።
ቴክኒካዊ ግንዛቤ
ዋናው ፈተና ጊዜያዊ ልኬትን ሞዴል ማድረግ ነው። የ3-ል ኮንቮሉሽን መደበኛ 2-ል ማጣሪያን ብዙ ፍሬሞችን የሚሸፍን ጥልቀት ያለው ዘንግ ያሰፋዋል፣ ስለዚህ የእንቅስቃሴ ንድፎችን በቀጥታ ይማራል። የI3D ብልሃት በImageNet ላይ ቀድሞ ከሰለጠነ የ2D ምስል አውታር ክብደትን 'ያበዛል' ወደ 3D በጊዜ ውስጥ በመድገም ጠንካራ መነሻ ይሰጣል። ባለ ሁለት ዥረት ዘዴዎች ቀድሞ የተሰላ የጨረር ፍሰት ወደ የተለየ ቅርንጫፍ ይመገባሉ፣ እንቅስቃሴን በግልጽ በኮድ ይለጥፉ እና ከዚያ ከመልክ ባህሪዎች ጋር ያዋህዱት።
ስልታዊ ተጽእኖ
ፍጥነት እና ልኬት
ቪዥዋል AI የመመርመሪያ፣ የማወቅ እና የመለያ ስራዎችን በሚዛን መጠን በራስ ሰር ሊያደርግ ይችላል።
ምርጫዎችን ይገንቡ
የፈጠራ ቡድኖች በጥቂት የእጅ ክለሳዎች ጽንሰ-ሀሳቦችን በፍጥነት መተየብ ይችላሉ።
ቡድን እና የስራ ፍሰት
ክዋኔዎች ከዚህ ቀደም ለማስኬድ አስቸጋሪ የነበሩትን የምስል እና የቪዲዮ ምልክቶችን መጠቀም ይችላሉ።
የድርጊት እውቅና የወደፊት
መስኩ ወደ ቀልጣፋ የቪዲዮ ትራንስፎርመሮች እና በራስ ክትትል የሚደረግበት ቅድመ ስልጠና (ጭምብል ቪዲዮ ሞዴሊንግ) ካልተሰየመ ቀረጻ ወደሚማሩ ውድ ማብራሪያዎች ላይ ጥገኝነት እየቀነሰ ነው። ስርዓቶች ድርጊቶችን ለመሰየም ብቻ ሳይሆን ስለእነሱ በተፈጥሮ ቋንቋ እንዲገልጹ እና እንዲያብራሩዋቸው ከመልቲሞዳል ቋንቋ ሞዴሎች ጋር ጥብቅ ውህደትን ይጠብቁ። ቅጽበታዊ፣ በመሳሪያ ላይ ለሚለበስ፣ ሮቦቲክስ እና ስማርት ካሜራዎች እውቅና ስውር እና ተመሳሳይ ተመሳሳይ እንቅስቃሴዎችን ከሚለይ ጥሩ ጥራት ካለው እውቅና ጎን ለጎን ዋና ድንበር ነው።
የእውነተኛ-ዓለም አተገባበር
ነዋሪው ሲወድቅ ሰራተኞቹን የሚያስጠነቅቁ፣ መውደቅን ከመቀመጥ ወይም ከመተኛት የሚለዩ በአረጋውያን እንክብካቤ ቤቶች ውስጥ ያሉ የውድቀት ማወቂያ ስርዓቶች
የአሰልጣኝነት እና የስርጭት ድምቀቶችን በግጥሚያ ቀረጻ ላይ በራስ ሰር መለያ የሚሰጡ የስፖርት ትንታኔ መድረኮች
እንደ ድብድብ፣ መናወጥ፣ ወይም አንድ ሰው አጥር ላይ የሚወጣ ሰው ያልተለመደ ባህሪን የሚያመለክት ክትትል እና የደህንነት ክትትል
በምልክት ቁጥጥር የሚደረግባቸው በይነገጾች እና የአካል ብቃት መተግበሪያዎች በጊዜ ሂደት የሰውነት እንቅስቃሴዎችን በማወቅ ድግግሞሾችን የሚቆጥሩ እና የአካል ብቃት እንቅስቃሴ ቅጽን የሚፈትሹ
አደጋዎች እና የጥበቃ መንገዶች
የምስል መብቶች እና ፈቃድ ግልጽ ካልሆነ ህጋዊ አደጋዎች ሊሆኑ ይችላሉ።
የሞዴል አፈጻጸም በብርሃን፣ በስነ-ሕዝብ እና በአካባቢው ሊለያይ ይችላል።
የመተማመን ገደቦች ካልተቆጣጠሩ የውሸት አወንታዊ ነገሮች ላይታዩ ይችላሉ።
የትግበራ ፍኖተ ካርታ
ለትክክለኛነት፣ ለማስታወስ እና ለስህተት ወጪዎች የመቀበያ መስፈርቶችን ይግለጹ።
ከእውነተኛ የምርት ሁኔታዎች ጋር በሚዛመድ ውሂብ ይሞክሩ።
ለዝቅተኛ እምነት ወይም ከፍተኛ ተጽዕኖ ትንበያ የሰው ግምገማን ያክሉ።
ከካሜራ ወይም የውሂብ ስብስብ ለውጦች በኋላ የሞዴሉን ተንሸራታች ይከታተሉ እና እንደገና ያረጋግጡ።
ማሰስዎን ይቀጥሉ
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Action Recognition quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
ቀጣይ መመሪያ
የፊት ለይቶ ማወቅ
በተደጋጋሚ የሚጠየቁ ጥያቄዎች
What is Action Recognition?
የተግባር ማወቂያ ኮምፒውተሮች በቪዲዮ ውስጥ ሰዎች ወይም ነገሮች የሚያደርጉትን እንዲለዩ የማስተማር ተግባር ነው - መሮጥ ፣ ማወዛወዝ ፣ መውደቅ ፣ በር መክፈት - በአንድ ፍሬም ውስጥ የሚታየውን ብቻ አይደለም። በጊዜ ሂደት እንቅስቃሴን መረዳቱ ከስፖርት ትንታኔዎች እስከ አረጋውያን ውድቀትን መለየትን ስለሚከፍት አስፈላጊ ነው።
የድርጊት ማወቂያን ከመደበኛ የምስል ምደባ የሚለየው ምንድን ነው?
የድርጊት ማወቂያ ሞዴሎች በክፈፎች ቅደም ተከተል ይንቀሳቀሳሉ፣ ምክንያቱም አንድ ነጠላ ምስል ብዙ ጊዜ አንድ ሰው እየዘለለ፣ እየወደቀ፣ ወይም እየጠለቀ መሆኑን ማሳየት አይችልም።
በሚታወቀው ባለ ሁለት-ዥረት የድርጊት ማወቂያ አውታረ መረብ ውስጥ፣ ሁለተኛው ዥረት በተለምዶ ምን ይሰራል?
ባለ ሁለት ዥረት አርክቴክቸር አንዱን ቅርንጫፍ ለመልክ (RGB ፍሬሞች) እና ሁለተኛውን ለእይታ ፍሰት ቅርንጫፍን ይጠቀማሉ፣ ይህም በፍሬም መካከል እንቅስቃሴን በግልፅ ያሳያል።
ከመደበኛ 2D ኮንቮሉሽን ጋር ሲነጻጸር የ3D convolution ምን ይጨምራል?
የ3-ል ቅየራ ማጣሪያውን በጥልቅ/ጊዜ ልኬት ያራዝመዋል፣ይህም በተከታታይ ክፈፎች ላይ የእንቅስቃሴ ንድፎችን እንዲማር ያስችለዋል።
በI3D ሞዴል የሚጠቀመው 'የዋጋ ግሽበት' ዘዴ ምንድነው?
I3D በ2D ምስሎች ላይ ቀድሞ የሰለጠኑ ክብደቶችን (እንደ ImageNet) በጊዜያዊው ዘንግ ላይ በመገልበጥ ወደ 3D ወደ ጠንካራ አጀማመር ያቀርባል።
ለምንድነው የየነገር-የሆነ ነገር የውሂብ ስብስብ ለድርጊት ማወቂያ ታዋቂ የሆነው?
የሆነ ነገር-የሆነ ነገር የተነደፈው ድርጊቱ በጊዜያዊ ቅደም ተከተል እና እንቅስቃሴ ላይ እንዲመሰረት ነው፣ይህም ሞዴሎች ከበስተጀርባ ወይም የነገሮችን ገጽታ ብቻ በመጠቀም እንዳይኮርጁ ይከላከላል።