دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
دسته بندی: کامپیوتر ویرایش: نویسندگان: Oliver N., Rosario B., Pentland A. سری: ناشر: سال نشر: تعداد صفحات: 30 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 579 کیلوبایت
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
در صورت تبدیل فایل کتاب A Bayesian Computer Vision System for Modeling Human Interactions به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب یک سیستم بینایی رایانه ای بیزی برای مدل سازی تعاملات انسانی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
ما یک سیستم بینایی کامپیوتری و یادگیری ماشین در زمان واقعی را برای مدلسازی و تشخیص رفتارهای انسانی در یک وظیفه نظارت بصری توصیف میکنیم [1]. این سیستم به ویژه به تشخیص زمان وقوع تعامل بین افراد و طبقه بندی نوع تعامل توجه دارد. نمونههایی از رفتارهای تعاملی جالب عبارتند از دنبال کردن شخص دیگری، تغییر مسیر فرد برای ملاقات با دیگری، و غیره. سیستم ما اطلاعات از بالا به پایین و پایین به بالا را در یک حلقه بازخورد بسته با هر دو مؤلفه از رویکرد بیزی آماری ترکیب میکند. ما دو معماری یادگیری مبتنی بر حالت مختلف، یعنی HMM و CHMM را پیشنهاد و مقایسه میکنیم. برای مدل سازی رفتارها و تعاملات نشان داده شده است که مدل CHMM بسیار کارآمدتر و دقیقتر کار میکند. در نهایت، برای مقابله با مشکل دادههای آموزشی محدود، از یک سیستم آموزشی مصنوعی به سبک Alife برای توسعه مدلهای قبلی انعطافپذیر برای تشخیص تعاملات انسانی استفاده میشود. ما توانایی استفاده از این مدلهای پیشینی را برای طبقهبندی دقیق رفتارها و تعاملات انسانی واقعی بدون تنظیم یا آموزش اضافی نشان میدهیم.
We describe a real-time computer vision and machine learning system for modeling and recognizing human behaviors in a visual surveillance task [1]. The system is particularly concerned iviih detecting when interactions between people occur, and classifying the type of interaction. Examples of interesting interaction behaviors include following another person, altering one's path to meet another, and so forth.Our system combines top-down with bottom-up information in a closed feedback loop, with both components employing a statistical Bayesian approach. We propose and compare two different state-based learning architectures, namely HMMs and CHMMs. for modeling behaviors and interactions. The CHMM model is shown to work much more efficiently and accurately.Finally, to deal with the problem of limited training data, a synthetic 'Alife-style' training system is used to develop flexible prior models for recognizing human interactions. We demonstrate the ability to use these a priori models to accurately classify real human behaviors and interactions with no additional tuning or training.