不同机器学习方法在活动识别与姿态估计数据集上的性能比较
计算机视觉与模式识别
2022-10-20 v1 物理与社会
摘要
随着计算机视觉的日益进步，近期活动识别受到大量关注。利用该研究领域在安防、医疗等众多行业中的实际应用范围不断扩大，企业亟需区分哪些机器学习方法在该领域表现更优。本文致力于缓解此困境，即在先前相关工作基础上，在丰富的姿态估计（OpenPose）和 HAR 数据集上采用经典与集成方法。利用适当指标评估各模型性能，结果显示总体上随机森林在 ADL 分类中取得最高准确率。相对地，所有模型在两个数据集上均表现优异，除逻辑回归与 AdaBoost 在 HAR 数据集上表现较差。文末亦讨论了本文局限，未来研究空间广阔，可以本文为基础以期取得更好结果。
引用
@article{arxiv.2210.10247,
title = {Performance of different machine learning methods on activity recognition and pose estimation datasets},
author = {Love Trivedi and Raviit Vij},
journal= {arXiv preprint arXiv:2210.10247},
year = {2022}
}
备注
14