Key points are not available for this paper at this time.
Cet article propose une approche novatrice de la reconnaissance d'activité où les vidéos sont comprimées à l'aide de la codification vidéo pour générer des vecteurs de caractéristiques basés sur les variables de compression. Nous proposons d'éliminer le domaine temporel des vecteurs de caractéristiques en calculant la moyenne et l'écart type de chaque variable sur tous les cadres vidéo. Ainsi, chaque vidéo est représentée par un seul vecteur de caractéristiques de 67 variables. En ce qui concerne les vecteurs de mouvement, nous avons éliminé leur domaine temporel en projetant leurs phases à l'aide de l'ACP, représentant ainsi chaque vidéo par un vecteur de caractéristiques unique dont la longueur est égale au nombre de cadres dans une vidéo. Par conséquent, des classificateurs complexes tels que LSTM peuvent être évités et des techniques d'apprentissage machine classiques peuvent être utilisées à sa place. Les résultats expérimentaux sur le jeu de données JHMDB ont permis d'obtenir des précisions moyennes de classification de 68,8 % et 74,2 % en utilisant respectivement les phases projetées des vecteurs de mouvement et les variables de caractéristiques de codage vidéo. L'avantage de la solution proposée est l'utilisation de VFs avec une faible dimensionnalité et des techniques d'apprentissage machine simples.
Issa et al. (Mon,) ont étudié cette question.