de
en
Schliessen
Detailsuche
Bibliotheken
Projekt
Impressum
Datenschutz
zum Inhalt
Detailsuche
Schnellsuche:
OK
Ergebnisliste
Titel
Titel
Inhalt
Inhalt
Seite
Seite
Im Dokument suchen
Panzner, Maximilian: Online Klassifikation menschlicher Aktionen anhand von Space-Time Interest-Points. 2013
Inhalt
1 Einleitung
1.1 Motivation
1.1.1 Klassifikation menschlicher Aktionen
1.1.2 Einschränkungen gängiger Verfahren
1.2 Ziel der Arbeit
1.3 Gliederung
1.4 Lesehinweis
2 Grundlagen der Aktionsklassifikation
2.1 Detektion von Aktionsprimitiven
2.1.1 Interest Points
2.2 Repräsentation von Aktionsprimitiven
2.2.1 Globale Bildrepräsentation
2.2.2 Lokale Bildrepräsentation
2.3 Klassifikation von Aktionsrepräsentationen
3 Offline Aktionsklassifikation nach Laptev
3.1 Entwicklung des Interest Point Detektors
3.1.1 Moravec Corner-Detector
3.1.2 Harris Corner-Detector
3.2 Detektion von Space-Time Interest Points
3.2.1 Multiskalen Detektion
3.2.2 Variabilität in Raum und Zeit
3.2.3 Analyse der detektierten Punkte
3.3 Repräsentation als Bag of Visual Words
3.3.1 Gradienten und optischer Fluss als Deskriptoren
3.3.2 Das Bag of Visual Words Modell
3.3.3 Aufbau des Vokabulars
3.4 Aktionsklassifikation
3.4.1 Support Vector Machine
4 Implementation des offline Aktionsklassifikators
4.1 Detektion der Space Time Interest Points
4.1.1 Aufbau des Skalenraums
4.1.2 Berechnung der Momentenmatrix
4.1.3 Integration der Ergebnisse
4.2 Deskriptoren
4.2.1 Unterteilung des Raum-Zeit Volumens
4.2.2 HoG Deskriptor
4.2.3 HoF Deskriptor
4.3 Mögliche Erweiterungen
5 Evaluation des offline Aktionsklassifikators
5.1 Aktionsdatenbanken
5.2 Gegenüberstellung der Detektor-Implementationen
6 Entwicklung eines online Aktionsklassifikators
6.1 Analyse
6.2 Anforderungen an das Klassifikationssystem
6.3 Vorüberlegungen
6.4 Klassifikation mit topologischen Karten
6.4.1 GNG - Growing Neural Gas
6.4.2 DYNG - Dynamic Online Growing Neural Gas
7 Sequenzieller Ansatz
7.1 Repräsentation als adaptive Bag of Visual Words
7.2 Klassifikation mittels DYNG
7.3 Plastizität des Klassifikationsnetzes
7.4 Nutzung topologischer Informationen
8 Hierarchischer Ansatz
8.1 Repräsentation als Bag of Class Labels
8.2 Klassifikation der Bag of Class Labels
8.3 Gewichtung nach Information-Gain
8.4 Semi-supervised learning
9 Evaluation
9.1 Testaufbau
9.2 Ergebnisse
9.3 Diskussion der Ergebnisse
10 Fazit und Ausblick
A Eidesstattliche Erklärung
B Literaturverzeichnis