La vitrine de diffusion des mémoires et thèses de l'ÉTS
RECHERCHER

Reconnaissance d’actions à l’aide d’une approche hiérarchique basée sur l’apprentissage machine

Téléchargements

Téléchargements par mois depuis la dernière année

Plus de statistiques...

Lemieux, Nicolas (2020). Reconnaissance d’actions à l’aide d’une approche hiérarchique basée sur l’apprentissage machine. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

[thumbnail of LEMIEUX_Nicolas.pdf]
Prévisualisation
PDF
Télécharger (1MB) | Prévisualisation

Résumé

Actuellement, les méthodes de reconnaissance d’actions proposées par la littérature performent assez bien sur les actions simples, mais requièrent, bien souvent, des puissances de calcul importantes et éprouvent encore de la difficulté à reconnaître les actions ayant des séquences d’exécution dont la temporalité est variable. Par conséquent, la méthode présentée dans le cadre de ce mémoire adressera ces difficultés.

Pour ce faire, celle-ci propose un cadre hiérarchique d’apprentissage. Ainsi, la reconnaissance des différentes actions s’appuie sur la signature de sous-mouvements localisables dans le temps. Plus précisément, ces signatures correspondent aux valeurs maximales et minimales d’activations de filtres de convolution appris dans le cadre d’un problème de classification dont l’entraînement procède à l’aide d’une méthode de descente de gradient.

Tout en démontrant une grande économie en termes de calculs et une plus grande robustesse par rapport à l’information superflue, le taux de succès de classification obtenu par l’approche proposée est comparable à l’état de l’art lorsque les données sur lesquelles elle s’appuie sont issues d’un capteur inertiel porté à même le corps.

Titre traduit

A learning based hierarchical approach for human action recognition

Résumé traduit

Nowadays, action recognition’s literature proposes methods performing relatively well on simple actions, but are typically computationally heavy and less suited for actions with inconsistent sequences of execution. Hence, the method proposed in the article attached to this master’s thesis addresses these difficulties.

More specifically, it proposes a hierarchical learning approach that consists in recognizing the signature of some time-localized dynamics. Explicitly, these signatures correspond to the maximum and minimum activation of convolution kernels learned throughout the process.

While being computationally cheap and robust to redundant/unnecessary information, the proposed method also achieves near state-of-the-art performances in terms of classification accuracy when applied on data provided by wearable inertial sensors.

Type de document: Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires: "Mémoire par article présenté à l’École de technologie supérieure comme exigence partielle à l’obtention de la maîtrise avec mémoire en génie électrique". Comprend des références bibliographiques (pages 57-61).
Mots-clés libres: séries-temporelle, apprentissage machine, méthode hiérarchique, reconnaissance d’action
Directeur de mémoire/thèse:
Directeur de mémoire/thèse
Noumeir, Rita
Programme: Maîtrise en ingénierie > Génie électrique
Date de dépôt: 23 sept. 2021 17:20
Dernière modification: 23 sept. 2021 17:20
URI: https://espace.etsmtl.ca/id/eprint/2702

Actions (Identification requise)

Dernière vérification avant le dépôt Dernière vérification avant le dépôt