Rozpoznání lidské aktivity

Abstract

Konvoluční neuronové sítě se prokázaly jako silný nástroj pro problém porozumění obrazu a proto se často používají i k porozumění videa. Video oproti obrázku obsahuje navíc časové informace, které jsou reprezentovány posloupnosti snímků. Hlavním tématem této práce je rozpoznání lidské aktivity z videosekvence. V práci popisuju jednotlivé kroky této problematiky a implementuju několik modelů 3D konvolučních neuronových sítí inspirovaných známými architekturami pro rozpoznání obrazu. Modely jsou trénovány na datasetu KTH, kde používám systém OpenPose pro detekci lidského těla v obrázcích videosekvence. Na konec porovnávám výsledky všech implementovaných modelů.

Convolutional neural networks prove to be a powerful tool for the problem of image understanding and therefore they are also used for video understanding. The video contains additional temporary information compared to the image, which is represented by a sequence of frames. The main theme of this work is the human activity recognition in video. In this work I describe the individual steps of this problem and implement several models of 3D convolutional neural networks inspired by well known architectures for image recognition. The models are trained on the KTH dataset, where I use the OpenPose system to detect the human body in video images. Finally, I compare the results of all implemented models.