YOLOに基づく人間の行動認識と位置特定

映像分析における人間の行動認識は、近年広く研究されています。しかし、これらの多くの手法は、完全な映像を分析するか、各フレームに対して分類器を使用した後に、映像に単一の行動ラベルを割り当てます。しかし、人間の視覚戦略と比較すると、私たち（人間）がシーンを認識するためには視覚データの一例だけで十分であることが推論できます。実際には、映像からの小さなフレームのグループや単一フレームさえも、正確な認識には十分です。本論文では、監視カメラからキャプチャされた連続的な映像データのフレームから、ほぼリアルタイムで関心のある行動を検出、位置特定、認識するアプローチを提示します。このモデルは、指定された期間後にフレームを入力として受け取り、単一フレームに基づいて行動ラベルを提供することができます。特定の時間にわたって結果を組み合わせることで、映像ストリームの行動ラベルを予測しました。YOLOがLiris Human Activitiesデータセットにおける認識と位置特定に対して効果的で比較的高速な方法であることを示します。