Detección de actividades en video
El propósito de este trabajo es determinar si la ventaja de las características aprendidas mediante Deep Learning sobre las elaboradas a mano, que se evidencia en el estado de la técnica, todavía se mantiene para las acciones que se llevan a cabo en un entorno similar. La comparación se realiza util...
- Autores:
-
Millán Arias, Pablo Andrés
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2018
- Institución:
- Pontificia Universidad Javeriana
- Repositorio:
- Repositorio Universidad Javeriana
- Idioma:
- spa
- OAI Identifier:
- oai:repository.javeriana.edu.co:10554/38790
- Acceso en línea:
- http://hdl.handle.net/10554/38790
- Palabra clave:
- Clasificación de actividades
Método clásico
Aprendizaje profundo
Activity classification
Hand-crafted features
Deep-learned features
Ingeniería electrónica - Tesis y disertaciones académicas
Algoritmos
Aprendizaje perceptivo
- Rights
- openAccess
- License
- Atribución-NoComercial-SinDerivadas 4.0 Internacional
| Summary: | El propósito de este trabajo es determinar si la ventaja de las características aprendidas mediante Deep Learning sobre las elaboradas a mano, que se evidencia en el estado de la técnica, todavía se mantiene para las acciones que se llevan a cabo en un entorno similar. La comparación se realiza utilizando un conjunto de datos creado específicamente para el estudio, en el que las acciones que se llevan a cabo son muy similares y con un entorno común y ruidoso. El estudio muestra que para una base de datos con un número limitado de videos y un entorno común, es mejor considerar las características hechas a mano que una arquitectura CNN superficial como extractor de funciones. |
|---|