Une nouvelle méthode d'apprentissage profond pour la reconnaissance d'activités humaines

Actuellement, les réseaux neuronaux convolutionnels tridimensionnels (3DCNN) sont une approche populaire dans le domaine de la reconnaissance d’activités humaines. Cependant, en raison de la variété des méthodes utilisées pour la reconnaissance d’activités humaines, nous proposons un nouveau modèle d’apprentissage profond dans cet article. L’objectif principal de notre travail est d’optimiser le 3DCNN traditionnel et de proposer un nouveau modèle qui combine 3DCNN avec des couches de mémoire à long et court terme convolutionnelle (ConvLSTM). Nos résultats expérimentaux, obtenus à l'aide des ensembles de données LoDVP Activités Anormales, UCF50 et MOD20, démontrent la supériorité de la combinaison 3DCNN + ConvLSTM pour reconnaître les activités humaines. De plus, notre modèle proposé est bien adapté aux applications de reconnaissance d’activités humaines en temps réel et peut être encore amélioré en incorporant des données supplémentaires de capteurs. Pour fournir une comparaison complète de notre architecture 3DCNN + ConvLSTM proposée, nous avons comparé nos résultats expérimentaux sur ces ensembles de données. Nous avons atteint une précision de 89,12 % en utilisant l'ensemble de données LoDVP Activités Anormales. En attendant, la précision obtenue en utilisant l'ensemble de données modifié UCF50 (UCF50mini) et l'ensemble de données MOD20 était respectivement de 83,89 % et 87,76 %. Dans l'ensemble, notre travail démontre que la combinaison de 3DCNN et de couches ConvLSTM peut améliorer la précision des tâches de reconnaissance d'activités humaines, et notre modèle proposé montre un potentiel pour des applications en temps réel.