A funcionalidade de pesquisa está em construção.
A funcionalidade de pesquisa está em construção.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Action Recognition Using Pose Data in a Distributed Environment over the Edge and Cloud Reconhecimento de ação usando dados de pose em um ambiente distribuído na borda e na nuvem

Chikako TAKASAKI, Atsuko TAKEFUSA, Hidemoto NAKADA, Masato OGUCHI

  • Exibições de texto completo

    0

  • Cite isto

Resumo:

Com o desenvolvimento de câmeras e sensores e a disseminação da computação em nuvem, os registros de vida podem ser facilmente adquiridos e armazenados em residências em geral para os diversos serviços que utilizam os registros. No entanto, é difícil analisar imagens em movimento adquiridas por sensores domésticos em tempo real usando aprendizado de máquina porque o tamanho dos dados é muito grande e a complexidade computacional é muito alta. Além disso, coletar e acumular na nuvem imagens em movimento capturadas em casa e que podem ser utilizadas para identificar indivíduos pode invadir a privacidade dos usuários do aplicativo. Propomos um método de processamento distribuído na borda e na nuvem que aborda a latência do processamento e as questões de privacidade. No lado da borda (sensor), extraímos vetores de características de pontos-chave humanos de imagens em movimento usando OpenPose, que é uma biblioteca de estimativa de pose. No lado da nuvem, reconhecemos ações por aprendizado de máquina usando apenas os vetores de recursos. Neste estudo, comparamos as precisões de reconhecimento de ação de vários métodos de aprendizado de máquina. Além disso, medimos o tempo de processamento da análise no sensor e na nuvem para investigar a viabilidade de reconhecimento de ações em tempo real. Em seguida, avaliamos o sistema proposto comparando-o com o modelo 3D ResNet em experimentos de reconhecimento. Os resultados experimentais demonstram que a precisão do reconhecimento de ações é maior quando se usa LSTM e que a introdução do abandono no reconhecimento de ações usando 100 categorias alivia o overfitting porque os modelos podem aprender ações humanas mais genéricas, aumentando a variedade de ações. Além disso, foi demonstrado que o pré-processamento usando OpenPose no lado do sensor pode reduzir substancialmente a quantidade de transferência do sensor para a nuvem.

Publicação
IEICE TRANSACTIONS on Information Vol.E104-D No.5 pp.539-550
Data de publicação
2021/05/01
Publicitada
2021/02/02
ISSN online
1745-1361
DOI
10.1587/transinf.2020DAP0009
Tipo de Manuscrito
Special Section PAPER (Special Section on Data Engineering and Information Management)
Categoria

autores

Chikako TAKASAKI
  Ochanomizu University
Atsuko TAKEFUSA
  National Institute of Informatics
Hidemoto NAKADA
  National Institute of Advanced Industrial Science and Technology (AIST)
Masato OGUCHI
  Ochanomizu University

Palavra-chave