맨위로가기

행동 인식

"오늘의AI위키"는 AI 기술로 일관성 있고 체계적인 최신 지식을 제공하는 혁신 플랫폼입니다.
"오늘의AI위키"의 AI를 통해 더욱 풍부하고 폭넓은 지식 경험을 누리세요.
목차

1. 개요

행동 인식은 컴퓨터가 사람의 행동을 감지하고 이해하는 기술을 의미한다. 크게 논리 기반, 확률 기반, 데이터 마이닝 기반의 접근 방식이 있으며, 센서, 비전, Wi-Fi 등 다양한 기술을 활용하여 구현된다. 센서를 이용한 활동 인식은 단일 사용자, 다중 사용자, 그룹 활동 인식으로 나뉘며, 비전 기반 활동 인식은 딥러닝 기술의 발전에 힘입어 빠르게 발전하고 있다. 행동 인식 기술은 재택 재활, 보안, 에너지 절약 등 다양한 분야에 응용될 수 있다.

2. 역사

3. 접근 방식

3. 1. 논리 기반 접근 방식

논리 기반 접근 방식은 관찰된 행동에 대한 모든 논리적 일관성 있는 설명을 추적한다. 따라서 모든 가능하고 일관된 계획이나 목표를 고려해야 한다. Kautz는 계획 인지에 대한 형식적인 이론을 제시했다. 그는 계획 인지를 주변화의 논리적 추론 과정으로 설명했다. 모든 행동과 계획은 균일하게 목표로 지칭되며, 인지기의 지식은 사건 계층이라고 하는 일련의 일차 논리 명제로 표현된다. 사건 계층은 일차 논리로 인코딩되어 있으며, 이는 사건 유형 간의 추상화, 분해 및 기능적 관계를 정의한다.[15]

Kautz의 계획 인지에 대한 일반적인 프레임워크는 최악의 경우 입력 계층의 크기에 따라 기하급수적인 시간 복잡성을 갖는다. Lesh와 Etzioni는 한 걸음 더 나아가 그의 작업을 계산적으로 확장하기 위해 목표 인지를 확장하는 방법을 제시했다. 계획 라이브러리가 명시적으로 표현되는 Kautz의 접근 방식과 달리, Lesh와 Etzioni의 접근 방식은 도메인 기본 요소로부터 자동적인 계획 라이브러리 구성을 가능하게 한다. 또한, 그들은 대규모 계획 라이브러리에 대한 목표 인지를 위한 간결한 표현과 효율적인 알고리즘을 도입했다.[16]

새로운 행동이 도착하면 일관성이 없는 계획과 목표가 반복적으로 정리된다. 게다가, 그들은 또한 개인의 최근 행동 샘플을 고려하여 목표 인지기를 개별적인 특이한 행동에 적응시키는 방법을 제시했다. Pollack 등은 믿음과 의도 설명을 위한 여러 종류의 주장의 상대적 강점을 알 수 있는 직접적인 논증 모델을 설명했다.

논리 기반 접근 방식의 심각한 문제는 불확실성을 표현할 수 없거나 본질적으로 불가능하다는 것이다. 그들은 한 가지 일관된 접근 방식을 다른 것보다 선호하는 메커니즘을 제공하지 않으며, 관찰된 행동을 설명하기에 충분히 일관성이 있는 한, 한 특정 계획이 다른 계획보다 더 가능성이 높은지 결정할 수 없다. 또한 논리 기반 방법과 관련된 학습 능력이 부족하다.

논리 기반 활동 인지에 대한 또 다른 접근 방식은 응답 집합 프로그래밍을 기반으로 하는 스트림 추론을 사용하는 것이며,[17] 건강 관련 응용 프로그램에 대한 활동 인지에 적용되어 왔으며,[18] 이는 어느 정도의 모호성/불확실성을 모델링하기 위해 약한 제약 조건을 사용한다.

3. 2. 확률 기반 접근 방식

확률 이론과 통계적 학습 모델은 불확실성 하에서 행동, 계획, 목표를 추론하기 위해 행동 인식에 적용되고 있다.[19] 에이전트의 계획과 목표에 대한 추론에서 불확실성을 명시적으로 나타내는 여러 접근 방식이 존재한다.

센서 데이터를 입력으로 사용하여, Hodges와 Pollack은 커피를 만드는 것과 같은 일상적인 활동을 수행하는 개인을 식별하기 위한 기계 학습 기반 시스템을 설계했다.[20] 인텔 연구소 (시애틀)와 워싱턴 대학교 (시애틀)는 센서를 사용하여 인간의 계획을 감지하는 중요한 연구를 수행했다.[21][22][23] 이러한 연구 중 일부는 무선 주파수 식별자(RFID) 및 전역 위치 시스템(GPS) 판독값에서 사용자의 이동 수단을 추론한다.

시간적 확률 모델의 사용은 행동 인식에서 좋은 성능을 보이며, 일반적으로 비시간적 모델보다 우수한 성능을 보이는 것으로 나타났다.[24] 은닉 마르코프 모델(HMM)과 더 일반적으로 공식화된 동적 베이즈 네트워크(DBN)와 같은 생성 모델은 센서 데이터로부터 활동을 모델링하는 데 널리 사용되는 선택지이다.[25][26][27][28] 조건부 무작위장(CRF)과 같은 판별 모델도 일반적으로 적용되며, 행동 인식에서 좋은 성능을 제공한다.[29][30]

생성 모델과 판별 모델은 모두 장단점을 가지고 있으며, 이상적인 선택은 응용 분야에 따라 달라진다. 행동 인식을 위한 여러 인기 모델(HMM, CRF)의 구현과 함께 데이터 세트는 [https://sites.google.com/site/tim0306/datasets 여기]에서 찾을 수 있다.

은닉 마르코프 모델(HMM) 및 조건부 무작위장(CRF)과 같은 기존의 시간적 확률 모델은 활동과 관찰된 센서 데이터 간의 상관 관계를 직접 모델링한다. 최근 몇 년 동안 인간 행동 데이터에 존재하는 풍부한 계층적 구조를 고려하는 계층적 모델의 사용을 지지하는 증거가 증가하고 있다.[26][31][32] 여기서 핵심 아이디어는 모델이 활동을 센서 데이터와 직접적으로 연결하는 것이 아니라 활동을 하위 활동(때로는 행동이라고 함)으로 나누고 그에 따라 기본 상관 관계를 모델링하는 것이다. 예를 들어, 볶음 요리 준비 활동은 야채 썰기, 팬에 야채 볶기, 접시에 담아 내는 하위 활동 또는 행동으로 나눌 수 있다. 이러한 계층적 모델의 예로는 계층적 은닉 마르코프 모델(LHMM)[31]과 계층적 은닉 마르코프 모델(HHMM)이 있으며, 이는 행동 인식에서 비계층적 모델보다 훨씬 우수한 성능을 보이는 것으로 나타났다.[26]

3. 3. 데이터 마이닝 기반 접근 방식

전통적인 기계 학습 접근 방식과 달리, 최근에는 데이터 마이닝 기반 접근 방식이 제안되었다. Gu 등의 연구에서는 활동 인지 문제를 패턴 기반 분류 문제로 공식화했다.[33] 이들은 순차적, 혼합 및 동시 활동을 통일된 솔루션으로 인식하기 위해 데이터의 두 활동 클래스 간의 중요한 변화를 설명하는 차별적 패턴을 기반으로 하는 데이터 마이닝 접근 방식을 제안했다.[33] Gilbert 등은 공간과 시간 모두에서 2D 코너를 사용하는데, 이는 계층적 프로세스를 사용하여 공간적 및 시간적으로 그룹화되며, 검색 영역이 증가한다.[34] 계층의 각 단계에서 가장 독특하고 설명적인 특징은 데이터 마이닝(Apriori 규칙)을 통해 효율적으로 학습된다.[34]

4. 센서 활용

4. 1. 센서 기반 활동 인식

센서 기반 활동 인식은 새로운 데이터 마이닝 및 기계 학습 기술을 센서 네트워크의 새로운 영역과 통합하여 광범위한 인간 활동을 모델링한다.[1][2] 모바일 장치(예: 스마트폰)는 일상 생활에서 에너지 소비량을 추정할 수 있도록 물리적 활동 인식을 가능하게 하는 충분한 센서 데이터와 계산 능력을 제공한다. 센서 기반 활동 인식 연구자들은 유비쿼터스 컴퓨팅과 센서가 에이전트의 행동을 (동의하에) 모니터링할 수 있게 함으로써 이러한 컴퓨터가 우리를 대신하여 더 나은 행동을 할 수 있다고 믿는다. 키넥트와 같이 색상 및 깊이 정보를 통합하는 시각 센서는 보다 정확한 자동 동작 인식을 가능하게 하며, 대화형 교육[3] 및 스마트 환경과 같은 많은 새로운 애플리케이션을 융합한다.[4] 시각 센서의 다중 보기를 통해 자동 뷰 불변 동작 인식을 위한 기계 학습을 개발할 수 있다.[5] 3D 모션 캡처 시스템에 사용되는 보다 진보된 센서는 더 복잡한 하드웨어 시스템 설정을 희생하여 매우 정확한 자동 인식을 허용한다.[6]

센서 기반 행동 인식은 입력의 본질적인 잡음 특성으로 인해 어려운 작업이다. 따라서, 여러 중간 수준에서 인식이 수행되고 연결되는 레이어에서 통계 모델링이 이 방향의 주요 동력이었다. 센서 데이터를 수집하는 최저 수준에서 통계적 학습은 수신된 신호 데이터로부터 에이전트의 상세 위치를 찾는 방법에 대한 것이다. 중간 수준에서는 통계적 추론이 하위 수준에서 추론된 위치 시퀀스 및 환경 조건으로부터 개인의 활동을 인식하는 방법에 대한 것일 수 있다. 또한 최고 수준에서는 논리적 및 통계적 추론의 혼합을 통해 활동 시퀀스로부터 에이전트의 전체 목표 또는 하위 목표를 찾는 것이 주요 관심사이다.

신체 부착 센서를 사용하여 여러 사용자의 활동을 인식하는 연구는 1990년대 초 ORL에서 액티브 배지 시스템을 사용한 연구에서 처음 등장했다.[7] 가속도 센서와 같은 다른 센서 기술은 사무실 환경에서 그룹 활동 패턴을 식별하는 데 사용되었다.[8] 지능형 환경에서 여러 사용자의 활동은 Gu ''et al''.에서 다루어진다.[9] 이 연구에서 그들은 가정 환경의 센서 판독값으로부터 여러 사용자의 활동을 인식하는 근본적인 문제를 조사하고, 단일 사용자 활동과 다중 사용자 활동을 통합된 솔루션으로 인식하는 새로운 패턴 마이닝 접근 방식을 제안했다.

그룹 활동 인식은 개별 사용자의 활동 인식 또는 다중 사용자 활동 인식과는 근본적으로 다르며, 그 목표는 개별 구성원의 활동이 아닌, 그룹을 하나의 개체로 간주하여 그룹의 행동을 인식하는 것이다.[10] 그룹 행동은 본질적으로 '창발적'이며, 이는 그룹 행동의 특성이 그 구성원 개개인의 행동 특성이나 그 행동의 합과는 근본적으로 다르다는 것을 의미한다.[11] 주요 과제는 개별 그룹 구성원의 행동을 모델링하는 것뿐만 아니라 그룹 역학 내에서의 개별 역할[12]과 그룹의 창발적 행동과의 관계를 병렬적으로 모델링하는 것이다.[13] 아직 해결해야 할 과제로는 그룹에 참여하는 개인의 행동과 역할의 정량화, 역할 설명을 위한 명시적 모델의 추론 알고리즘 통합, 그리고 매우 큰 그룹과 군중에 대한 확장성 평가 등이 있다. 그룹 활동 인식은 비상 상황에서의 군중 관리 및 대응뿐만 아니라, 소셜 네트워킹 및 정량화된 자아 응용 분야에도 적용될 수 있다.[14]

위치 기반 활동 인식은 또한 GPS 데이터를 사용하여 활동을 인식할 수 있다.[35][36]

4. 1. 1. 단일 사용자 활동 인식

센서 기반 활동 인식은 새로운 데이터 마이닝 및 기계 학습 기술을 센서 네트워크의 새로운 영역과 통합하여 광범위한 인간 활동을 모델링한다.[1][2] 모바일 장치(예: 스마트폰)는 일상 생활에서 에너지 소비량을 추정할 수 있도록 물리적 활동 인식을 가능하게 하는 충분한 센서 데이터와 계산 능력을 제공한다. 센서 기반 활동 인식 연구자들은 유비쿼터스 컴퓨팅과 센서가 에이전트의 행동을 (동의하에) 모니터링할 수 있게 함으로써 이러한 컴퓨터가 우리를 대신하여 더 나은 행동을 할 수 있다고 믿는다. 키넥트와 같이 색상 및 깊이 정보를 통합하는 시각 센서는 보다 정확한 자동 동작 인식을 가능하게 하며, 대화형 교육[3] 및 스마트 환경과 같은 많은 새로운 애플리케이션을 융합한다.[4] 시각 센서의 다중 보기를 통해 자동 뷰 불변 동작 인식을 위한 기계 학습을 개발할 수 있다.[5] 3D 모션 캡처 시스템에 사용되는 보다 진보된 센서는 더 복잡한 하드웨어 시스템 설정을 희생하여 매우 정확한 자동 인식을 허용한다.[6]

4. 1. 2. 다중 사용자 활동 인식

신체 부착 센서를 사용하여 여러 사용자의 활동을 인식하는 연구는 1990년대 초 ORL에서 액티브 배지 시스템을 사용한 연구에서 처음 등장했다.[7] 가속도 센서와 같은 다른 센서 기술은 사무실 환경에서 그룹 활동 패턴을 식별하는 데 사용되었다.[8] 지능형 환경에서 여러 사용자의 활동은 Gu ''et al''.에서 다루어진다.[9] 이 연구에서 그들은 가정 환경의 센서 판독값으로부터 여러 사용자의 활동을 인식하는 근본적인 문제를 조사하고, 단일 사용자 활동과 다중 사용자 활동을 통합된 솔루션으로 인식하는 새로운 패턴 마이닝 접근 방식을 제안했다.

4. 1. 3. 그룹 활동 인식

그룹 활동 인식은 개별 사용자의 활동 인식 또는 다중 사용자 활동 인식과는 근본적으로 다르며, 그 목표는 개별 구성원의 활동이 아닌, 그룹을 하나의 개체로 간주하여 그룹의 행동을 인식하는 것이다.[10] 그룹 행동은 본질적으로 '창발적'이며, 이는 그룹 행동의 특성이 그 구성원 개개인의 행동 특성이나 그 행동의 합과는 근본적으로 다르다는 것을 의미한다.[11] 주요 과제는 개별 그룹 구성원의 행동을 모델링하는 것뿐만 아니라 그룹 역학 내에서의 개별 역할[12]과 그룹의 창발적 행동과의 관계를 병렬적으로 모델링하는 것이다.[13]

아직 해결해야 할 과제로는 그룹에 참여하는 개인의 행동과 역할의 정량화, 역할 설명을 위한 명시적 모델의 추론 알고리즘 통합, 그리고 매우 큰 그룹과 군중에 대한 확장성 평가 등이 있다. 그룹 활동 인식은 비상 상황에서의 군중 관리 및 대응뿐만 아니라, 소셜 네트워킹 및 정량화된 자아 응용 분야에도 적용될 수 있다.[14]

4. 2. 비전 기반 활동 인식

다양한 카메라로 촬영한 비디오를 통해 행위 주체의 행동을 추적하고 이해하는 것은 매우 중요하고 어려운 과제이다. 주로 사용되는 기술은 컴퓨터 비전이다. 시각 기반 활동 인식은 인간-컴퓨터 상호 작용, 사용자 인터페이스 디자인, 로봇 학습, 감시 등 다양한 분야에서 응용되고 있다.

시각 기반 활동 인식 연구가 자주 발표되는 학술 회의는 ICCV와 CVPR이다.

시각 기반 활동 인식 분야에서 많은 연구가 이루어졌다. 연구자들은 단일 카메라, 스테레오, 적외선 등 다양한 방식으로 광학 흐름, 칼만 필터, 은닉 마르코프 모델 등 여러 방법을 시도해 왔다. 또한 연구자들은 단일 보행자 추적, 그룹 추적, 낙하 물체 감지 등 이 주제에 대한 여러 측면을 고려해 왔다.

최근 일부 연구자들은 Microsoft Kinect와 같은 RGB-D 카메라를 사용하여 인간 활동을 감지했다.[37] 깊이 카메라는 일반적인 2D 카메라가 제공하지 못하는 깊이, 즉 추가적인 차원을 제공한다. 이러한 깊이 카메라에서 얻은 감각 정보를 사용하여 다양한 신체 위치의 인간 실시간 골격 모델을 생성했다.[38] 이 골격 정보는 연구자들이 훈련하고 나중에 알려지지 않은 활동을 인식하는 데 사용되는 인간 활동을 모델링하는 데 사용되는 의미 있는 정보를 제공한다.[39][40]

최근 딥 러닝의 등장으로 RGB 비디오 기반 활동 인식이 빠르게 발전하고 있다. RGB 카메라로 캡처한 비디오를 입력으로 사용하여 비디오 분류, 비디오에서 활동 시작 및 종료 감지, 활동 및 활동을 수행하는 사람의 시공간적 위치 파악과 같은 여러 작업을 수행한다.[48] 포즈 추정 방법[41]은 동작 인식을 위해 더 대표적인 골격 특징을 추출할 수 있게 해준다.[42] 즉, 딥 러닝 기반 동작 인식이 적대적 공격의 영향을 받을 수 있으며, 공격자가 동작 인식 시스템을 속이기 위해 입력을 미미하게 변경하는 것으로 나타났다.[43]

시각 기반 활동 인식의 놀라운 발전에도 불구하고, 대부분의 실제 시각 감시 애플리케이션에 대한 활용은 여전히 ​​요원한 목표로 남아 있다.[44] 반대로, 인간의 뇌는 인간의 행동을 인식하는 능력을 완벽하게 갖춘 것으로 보인다. 이러한 능력은 습득한 지식뿐만 아니라 주어진 맥락과 논리적 추론과 관련된 정보를 추출하는 능력에 의존한다. 이러한 관찰을 바탕으로 상식 추론, 맥락적 및 상식 지식을 통합하여 시각 기반 활동 인식 시스템을 강화하는 것이 제안되었다.

'''계층적 인간 활동 (HAR) 인식'''

계층적 인간 활동 인식은 컴퓨터 비전 및 기계 학습 내의 기술이다. 시각적 데이터에서 인간의 동작 또는 행동을 식별하고 이해하는 것을 목표로 한다. 이 방법은 활동을 계층적으로 구성하여 다양한 동작 간의 연결 및 상호 의존성을 나타내는 프레임워크를 만든다.[45] HAR 기술은 데이터 상관 관계를 이해하고 모델 기본 사항을 모델링하여 민감한 응용 분야에서 정확도와 개인 정보 보호 문제를 해결하고 특정 사용 사례와 관련이 없는 사소한 레이블을 식별하고 관리하는 데 사용할 수 있다.[46]

시각 기반 활동 인식에서 계산 과정은 종종 네 단계로 나뉘는데, 인간 감지, 인간 추적, 인간 활동 인식, 그리고 상위 수준의 활동 평가이다.

4. 2. 1. 계층적 인간 활동 인식

시각 기반 활동 인식에서 계산 과정은 종종 네 단계로 나뉜다. 인간 감지, 인간 추적, 인간 활동 인식, 그리고 상위 수준의 활동 평가이다.

4. 2. 2. 세분화된 행동 위치화

컴퓨터 비전 기반의 행동 인식에서, 세분화된 행동 위치화는 일반적으로 사람 객체와 해당 행동 범주를 묘사하는 이미지별 분할 마스크를 제공한다(예: ''Segment-Tube''[47]). 동적 마르코프 네트워크, CNN 및 LSTM과 같은 기술은 연속적인 비디오 프레임 간의 의미적 상관 관계를 활용하는 데 자주 사용된다. 객체 경계 상자 및 사람 자세와 같은 기하학적 세분화 특징은 그래프 신경망을 이용한 행동 인식을 용이하게 한다.[48][49]

4. 2. 3. 자동 보행 인식

자동 보행 인식은 특정 개인을 식별하는 방법 중 하나로, 그들의 걸음걸이를 이용한다. 보행 인식 소프트웨어는 개인의 보행 또는 보행 특징 프로파일을 데이터베이스에 기록하여, 나중에 그 사람이 변장을 하고 있더라도 해당 개인을 인식할 수 있도록 한다.

4. 3. Wi-Fi 기반 활동 인식

실내 및 도시에서 널리 사용되는 Wi-Fi 신호와 802.11 액세스 포인트를 사용하여 행동 인식을 수행할 때 많은 잡음과 불확실성이 발생한다. 이러한 불확실성은 동적 베이즈 네트워크 모델을 사용하여 모델링할 수 있다.[50] 사용자의 교차 목표를 추론할 수 있는 다중 목표 모델에서는 결정론적 상태 전이 모델이 적용된다.[51] 또 다른 가능한 방법은 동시적이고 교차하는 활동을 확률적 접근 방식으로 모델링한다.[52] 사용자 행동 발견 모델은 Wi-Fi 신호를 분할하여 가능한 행동을 생성할 수 있다.[53]

와이파이(Wi-Fi) 활동 인식의 주요 아이디어 중 하나는 신호가 전송 중에 인체를 통과할 때 반사, 회절 및 산란을 일으킨다는 것이다. 연구자들은 이러한 신호로부터 인체의 활동을 분석하기 위한 정보를 얻을 수 있다.

5. 데이터 세트

행동 인식 또는 동작 인식 알고리즘의 성능을 평가하는 데 사용되는 몇 가지 인기 있는 데이터 세트가 있다.


  • '''UCF-101:''' 13,000개 이상의 클립과 27시간의 비디오 데이터를 포함하는 101개의 인간 동작 클래스로 구성된다. 동작 클래스에는 화장하기, 돌 연주하기, 크리켓 샷, 면도하기 등이 포함된다.[58]
  • '''HMDB51:''' 영화 및 웹 비디오를 포함한 다양한 소스의 현실적인 비디오 모음이다. 이 데이터 세트는 51개의 동작 범주(예: "점프", "키스" 및 "웃음")에서 6,849개의 비디오 클립으로 구성되며, 각 범주에는 최소 101개의 클립이 포함된다.[59]
  • '''Kinetics:''' 이전 데이터 세트보다 훨씬 더 큰 데이터 세트이다. 400개의 인간 동작 클래스를 포함하며 각 동작에 대해 최소 400개의 비디오 클립이 있다. 각 클립은 약 10초 동안 지속되며 서로 다른 YouTube 비디오에서 가져온다. 이 데이터 세트는 딥마인드에서 만들었다.[60]

6. 응용 분야

자동으로 인간의 활동을 모니터링함으로써, 외상성 뇌 손상 환자에게 재택 재활을 제공할 수 있다. 보안 관련 애플리케이션, 물류 지원부터 위치 기반 서비스에 이르기까지 다양한 분야에서 응용 사례를 찾아볼 수 있다.[61] 활동 인식 시스템은 야생 동물 관찰[62] 및 건물 내 에너지 절약을 위해 개발되었다.[63]

7. 한국의 활동 인식 기술 현황과 전망

참조

[1] 간행물 The Mobile Sensing Platform: An Embedded System for Activity Recognition 2008-04
[2] 논문 Activity Recognition from Accelerometer Data http://www.aaai.org/[...]
[3] 논문 CCESK: A Chinese Character Educational System Based on Kinect 2018
[4] 논문 Improving Posture Classification Accuracy for Depth Sensor-based Human Activity Monitoring in Smart Environments 2016
[5] 논문 Action Recognition from Arbitrary Views Using Transferable Dictionary Learning 2018
[6] 논문 Interaction-based Human Activity Comparison 2020
[7] 간행물 The Active Badge Location System 1992-01
[8] 간행물 Untersuchung des gruppendynamischen Aktivitaetsverhaltes im Office-Umfeld Berlin, Germany 2007
[9] 논문 Mining Emerging Patterns for Recognizing Activities of Multiple Users in Pervasive Computing https://ieeexplore.i[...] Toronto, Canada 2009-07-13
[10] 논문 Towards Collaborative Group Activity Recognition Using Mobile Devices http://www.teco.edu/[...] 2013
[11] 서적 Field theory in social science: selected theoretical papers Harper, New York 1951
[12] 논문 A hybrid unsupervised/supervised model for group activity recognition http://www-nishio.is[...] ACM (New York, NY, USA 2013
[13] 논문 Detecting small group activities from multimodal observations http://www-prima.ima[...] 2007-07
[14] 학위논문 Group Activity Recognition Using Wearable Sensing Devices https://www.research[...] Karlsruhe Institute of Technology 2014
[15] 학위논문 A formal theory of plan recognition https://urresearch.r[...] University of Rochester 1987
[16] 논문 A sound and fast goal recognizer http://www.ijcai.org[...] 1995
[17] 서적 Advances in Artificial Intelligence
[18] 논문 HealthyLife: an Activity Recognition System with Smartphone using Logic-Based Stream Reasoning http://homepage.cs.l[...]
[19] 간행물 A Bayesian model of plan recognition https://www.scienced[...] 1993
[20] 논문 An 'object-use fingerprint': The use of electronic sensors for human identification http://citeseerx.ist[...] 2007
[21] 논문 Mining models of human activities from the web http://citeseerx.ist[...] 2004-05
[22] 간행물 Inferring activities from interactions with objects https://web.archive.[...] 2004-10
[23] 간행물 Learning and inferring transportation routines http://www.aaai.org/[...] 2007
[24] 간행물 Human activity recognition from wireless sensor network data: Benchmark and software. https://www.research[...] Atlantis Press
[25] 논문 Gaussian mixture based HMM for human daily activity recognition using 3D skeleton features https://www.research[...] 2013-06-19
[26] 간행물 Hierarchical Activity Recognition Using Automatically Clustered Actions https://sites.google[...] Springer Berlin/Heidelberg 2011
[27] 논문 Simultaneous tracking and activityrecognition (star) using many anonymous binary sensors http://citeseerx.ist[...] Munich, Germany 2005
[28] 간행물 A Bayesian Computer Vision System for Modeling Human Interactions 2000-08
[29] 논문 Accurate activity recognition in a home setting https://dl.acm.org/c[...] ACM 2008-09-21
[30] 논문 Real world activity recognition with multiple goals http://www3.ntu.edu.[...] New York, NY, USA. ACM. 2008
[31] 간행물 Layered representations for learning and inferring office activity from multiple sensory channels https://pdfs.semanti[...] 2004
[32] 논문 Hierarchical models for activity recognition http://ssli.ee.washi[...] Victoria, CA 2006
[33] 논문 epSICAR: An Emerging Patterns based Approach to Sequential, Interleaved and Concurrent Activity Recognition https://ieeexplore.i[...] Galveston, Texas 2009-03-09
[34] 간행물 Action Recognition using Mined Hierarchical Compound Features http://epubs.surrey.[...]
[35] 간행물 Hierarchical conditional random fields for GPS-based activity recognition http://ants.iis.sini[...] Springer, Berlin, Heidelberg 2007
[36] 논문 Location-based activity recognition http://papers.nips.c[...] Advances in Neural Information Processing Systems 2006
[37] 간행물 Improving Posture Classification Accuracy for Depth Sensor-Based Human Activity Monitoring in Smart Environments Elsevier 2016
[38] 간행물 Real-Time Posture Reconstruction for Microsoft Kinect http://doi.org/10.11[...] IEEE 2013
[39] 기타 Gaussian mixture based HMM for human daily activity recognition using 3D skeleton features https://ieeexplore.i[...] Industrial Electronics and Applications (ICIEA), 2013 8th IEEE Conference on 2013-06-19
[40] 서적 Human Activity Recognition for Domestic Robots https://www.research[...] Springer, Cham 2015
[41] 간행물 High-Speed Multi-Person Pose Estimation with Deep Feature Transfer http://doi.org/10.10[...] Elsevier 2020
[42] 간행물 Focalized Contrastive View-Invariant Learning for Self-Supervised Skeleton-Based Action Recognition Elsevier 2023
[43] conference Hard No-Box Adversarial Attack on Skeleton-Based Human Action Recognition with Skeleton-Motion-Informed Gradient IEEE/CVF 2023
[44] 간행물 A comprehensive review on handcrafted and learning-based action representation approaches for human activity recognition 2017
[45] 간행물 Human activity analysis: A review https://doi.org/10.1[...] 2011-04-29
[46] 간행물 Machine-Generated Hierarchical Structure of Human Activities to Reveal How Machines Think 2021
[47] 간행물 Segment-Tube: Spatio-Temporal Action Localization in Untrimmed Videos with Per-Frame Segmentation https://qilin-zhang.[...] 2018-05-22
[48] conference Geometric Features Informed Multi-person Human-object Interaction Recognition in Videos Springer 2022
[49] conference Towards Graph Representation Learning Based Surgical Workflow Anticipation IEEE 2022
[50] 논문 High-level Goal Recognition in a Wireless LAN http://www.aaai.org/[...] Proceedings of the Nineteenth National Conference on Artificial Intelligence (AAAI-04) 2004
[51] 논문 Multiple-Goal Recognition From Low-level Signals http://www.aaai.org/[...] Proceedings of the Twentieth National Conference on Artificial Intelligence (AAAI 2005) 2005
[52] 논문 CIGAR: Concurrent and Interleaving Goal and Activity Recognition http://www.aaai.org/[...] AAAI 2008
[53] 논문 Activity Recognition through Goal-Based Segmentation http://www.aaai.org/[...] Proceedings of the Twentieth National Conference on Artificial Intelligence (AAAI 2005) 2005
[54] 기타 An rf-based system for tracking transceiver-free objects https://ieeexplore.i[...] Proceedings of the Pervasive Computing and Communications 2007
[55] 기타 Whole-home gesture recognition using wireless signals https://dl.acm.org/d[...] Proceedings of the 19th Annual International Conference on Mobile Computing and Networking 2013
[56] 기타 Wider: Walking direction estimation using wireless signals https://dl.acm.org/d[...] Proceedings of the 2016 ACM International Joint Conference on Pervasive and Ubiquitous Computing 2016
[57] 기타 Human respiration detection with commodity wifi devices: Do user location and body orientation matter? http://www-public.im[...] Proceedings of the 2016 ACM International Joint Conference on Pervasive and Ubiquitous Computing 2016
[58] 웹사이트 UCF101 – Action Recognition Data Set https://www.crcv.ucf[...] 2021
[59] 웹사이트 Papers with Code – HMDB51 Dataset https://paperswithco[...] 2021-08-23
[60] arXiv The Kinetics Human Action Video Dataset 2017-05-19
[61] 논문 Autominder: an intelligent cognitive orthotic system for people with memory impairment http://www.math.ntua[...] 2003
[62] 논문 A Web-based semantic tagging and activity recognition system for species' accelerometry data http://www.academia.[...] 2013
[63] 논문 Energy intelligent buildings based on user activity: A survey http://www.rug.nl/re[...] 2013


본 사이트는 AI가 위키백과와 뉴스 기사,정부 간행물,학술 논문등을 바탕으로 정보를 가공하여 제공하는 백과사전형 서비스입니다.
모든 문서는 AI에 의해 자동 생성되며, CC BY-SA 4.0 라이선스에 따라 이용할 수 있습니다.
하지만, 위키백과나 뉴스 기사 자체에 오류, 부정확한 정보, 또는 가짜 뉴스가 포함될 수 있으며, AI는 이러한 내용을 완벽하게 걸러내지 못할 수 있습니다.
따라서 제공되는 정보에 일부 오류나 편향이 있을 수 있으므로, 중요한 정보는 반드시 다른 출처를 통해 교차 검증하시기 바랍니다.

문의하기 : help@durumis.com