通过二维卷积神经网络对渲染为图像的轨迹进行分类与回归
计算机视觉与模式识别
2024-09-30 v1 机器学习
摘要
轨迹可被视为坐标的时间序列，通常源自运动物体。轨迹分类方法对于检测不同的运动模式尤为重要，而回归方法则用于计算运动度量和预测。计算机视觉的最新进展促进了通过具有二维卷积层的人工神经网络（CNN）处理渲染为图像的轨迹。该方法利用 CNN 从图像中学习特征空间层级的能力，这对于识别复杂形状是必需的。此外，它克服了其他机器学习方法要求输入轨迹具有固定点数的限制。然而，将轨迹渲染为图像可能会引入尚未得到充分研究的伪影，例如由于在离散网格上绘制坐标导致的信息丢失，以及由于线条粗细和混叠导致的光谱变化。在本研究中，我们探讨了 CNN 在解决由不同模态渲染为图像的合成轨迹的分类与回归问题中的有效性。本研究考虑的参数包括线条粗细、图像分辨率、运动历史（时间分量的颜色编码）的使用以及抗混叠。结果突出了在运动方向至关重要的应用中，根据模型深度和运动历史选择合适图像分辨率的重要性。
引用
@article{arxiv.2409.18832,
title = {Classification and regression of trajectories rendered as images via 2D Convolutional Neural Networks},
author = {Mariaclaudia Nicolai and Raffaella Fiamma Cabini and Diego Ulisse Pizzagalli},
journal= {arXiv preprint arXiv:2409.18832},
year = {2024}
}
备注
13 pages, 5 figures