Redes Neuronales Convolucionales 3D para el reconocimiento de actividad humana en videos Digitales

Acronym

P_3DCNN-HAR

Consortium Coordinator

Rodriguez Valderrama, Paul Antonio

Start Date

2016

End Date

2018

Status

https://purl.org/pe-repo/concytec/estadoProyecto#concluido

Description

Redes neuronales convolucionales (ó 'convolutional neural networks', CNN) [1], es una metodología en 'neural networks' (NN) en la que los datos crudos son utilizados como entrada, obteniendo resultados ampliamente superiores a aquellos obtenidos con NN clásicas. En NN clásicas, los datos (imágenes o vídeos en el presente contexto) son prepocesados siguiendo alguna metodología ad-hoc; como resultado se obtienen vectores con los que la NN (clasificador) es entrenada. Dado que los datos de entrenamiento presentan variabilidades (traslaciones y distorsiones locales) [2], el pre-procesamiento tiene que estandarizar dichos problemas. Debido a su estructura, inspirada en modelos biológicos para reconocimiento visual, CNN es robusta ante traslaciones y distorsiones locales, evitando la etapa de pre-procesamiento manual asociada a NN. CNN tienen una performance (clasificación) muy superior a NN clásicas; sin embargo, su costo computacional es mucho mayor, por lo cual su utilidad se ha visto restringida, en la mayoría de los casos, a análisis de datos 2D. El presente proyecto plantea el desarrollo de un nuevo algoritmo progresivo computacionalmente eficiente, a ser implementado en tecnología CUDA, para analizar vídeos digitales (datos 3D) vía CNN, enfocándose en aplicaciones orientadas al reconocimiento de actividades humanas (uso de teléfono celular, dejar/guardar un objeto, apuntar, etc.) lo cual tiene alta relevancia en seguridad ciudadana.

Keywords

Redes neuronales 3D

;

Reconocimiento de actividades

;

Video digital

;

Visión computacional

Área de conocimiento

Natural sciences

Campo OCDE

https://purl.org/pe-repo/ocde/ford#1.02.01