从自我中心图像中识别日常生活活动
计算机视觉与模式识别
2017-04-14 v1
摘要
识别日常生活活动（ADLs）具有大量健康应用，例如刻画生活方式以改进习惯、护理与康复服务。可穿戴相机每日能收集大量图像数据，相较于其他可穿戴传感器，其提供了关于ADLs的丰富视觉信息。本文中，我们探索使用卷积神经网络（CNN）方法对由低时间分辨率可穿戴相机（2fpm）捕获的图像进行ADLs分类。我们表明，当CNN的输出通过一个随机决策森林与来自全连接层的上下文信息相结合时，其分类准确率大幅提升。所提方法在NTCIR-12自我中心数据集的一个子集上进行了测试，该子集包含18,674张图像，并在21个类别上取得了86%的整体活动识别准确率。
引用
@article{arxiv.1704.04097,
title = {Recognizing Activities of Daily Living from Egocentric Images},
author = {Alejandro Cartas and Juan Marín and Petia Radeva and Mariella Dimiccoli},
journal= {arXiv preprint arXiv:1704.04097},
year = {2017}
}
备注
To appear in the Proceedings of IbPRIA 2017