Mostrar el registro sencillo del ítem
dc.contributor.author
Orozco, Carlos Ismael

dc.contributor.author
Xamena, Eduardo

dc.contributor.author
Buemi, María Elena

dc.contributor.author
Berlles, Julio Jacobo
dc.date.available
2021-09-29T19:19:00Z
dc.date.issued
2020-12-30
dc.identifier.citation
Orozco, Carlos Ismael; Xamena, Eduardo; Buemi, María Elena; Berlles, Julio Jacobo; Human Action Recognition in Videos using a Robust CNN LSTM Approach; Universidad de Palermo. Facultad de Ingeniería; Ciencia y Tecnología; 2020; 20; 30-12-2020; 23-36
dc.identifier.issn
1850-0870
dc.identifier.uri
http://hdl.handle.net/11336/141949
dc.description.abstract
Action recognition in videos is currently a topic of interest in the area of computer vision, due to potential applications such as: multimedia indexing, surveillance in public spaces, among others. In this paper we propose (1) The implementation of a CNN–LSTM architecture. First, a pre-trained VGG16 convolutional neural network extracts the features of the input video. Then, an LSTM classifies the video sequence in a particular class. (2) A study of how the number of LSTM units affects the performance of the system. To carry out the training and test phases, we used the KTH, UCF-11 and HMDB-51 datasets. (3) An evaluation of the performance of our system using accuracy as evaluation metric, given the existing balance of the classes in the datasets. We obtain 93%, 91% and 47% accuracy respectively for each dataset, improving state of the art results for the former two. Besides the results attained, the main contribution of this work lays on the evaluation of different CNN-LSTM architectures for the action recognition task.
dc.description.abstract
El reconocimiento de acciones en videos es actualmente un tema de interés en el área de visión por computadora, debido a potenciales aplicaciones como: indexación multimedia, vigilancia en espacios públicos, entre otras. En este artículo proponemos: (1) Implementar una arquitectura CNN–LSTM para esta tarea. Primero, una red neuronal convolucional VGG16 previamente entrenada extrae las características del video de entrada. Luego, una capa LSTM determina la clase particular del video. (2) Estudiar cómo la cantidad de unidades LSTM afecta el rendimiento del sistema. Para llevar a cabo las fases de entrenamiento y prueba, utilizamos los conjuntos de datos KTH, UCF-11 y HMDB-51. (3) Evaluar el rendimiento de nuestro sistema utilizando la precisión como métrica de evaluación, dado el balance existente entre las clases de los conjuntos de datos. Obtenemos un 93%, 91% y 47% de precisión respectivamente para cada conjunto de datos, mejorando los resultados del estado del arte para los primeros dos. Además de los resultados obtenidos, la principal contribución de este trabajo yace en la evaluación de diferentes arquitecturas CNN-LSTM para la tarea de reconocimiento de acciones
dc.format
application/pdf
dc.language.iso
eng
dc.publisher
Universidad de Palermo. Facultad de Ingeniería
dc.rights
info:eu-repo/semantics/openAccess
dc.rights.uri
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
dc.subject
RECONOCIMIENTO DE ACCIONES
dc.subject
REDES NEURONALES CONVOLUCIONALES
dc.subject
REDES NEURONALES DE CORTA Y LARGA MEMORIA
dc.subject.classification
Ciencias de la Computación

dc.subject.classification
Ciencias de la Computación e Información

dc.subject.classification
CIENCIAS NATURALES Y EXACTAS

dc.title
Human Action Recognition in Videos using a Robust CNN LSTM Approach
dc.title
Reconocimiento de Acciones Humanas en Videos usando una Red Neuronal CNN LSTM Robusta
dc.type
info:eu-repo/semantics/article
dc.type
info:ar-repo/semantics/artículo
dc.type
info:eu-repo/semantics/publishedVersion
dc.date.updated
2021-09-07T13:49:08Z
dc.identifier.eissn
2344-9217
dc.journal.volume
2020
dc.journal.number
20
dc.journal.pagination
23-36
dc.journal.pais
Argentina

dc.journal.ciudad
Buenos Aires
dc.description.fil
Fil: Orozco, Carlos Ismael. Universidad Nacional de Salta. Facultad de Ciencias Exactas. Departamento de Informática; Argentina
dc.description.fil
Fil: Xamena, Eduardo. Universidad Nacional de Salta. Facultad de Ciencias Exactas. Departamento de Informática; Argentina. Consejo Nacional de Investigaciones Científicas y Técnicas; Argentina
dc.description.fil
Fil: Buemi, María Elena. Universidad de Buenos Aires. Facultad de Ingeniería. Departamento de Computacion; Argentina
dc.description.fil
Fil: Berlles, Julio Jacobo. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales. Departamento de Computación; Argentina
dc.journal.title
Ciencia y Tecnología
dc.relation.alternativeid
info:eu-repo/semantics/altIdentifier/url/https://dspace.palermo.edu/ojs/index.php/cyt/article/view/3288
dc.relation.alternativeid
info:eu-repo/semantics/altIdentifier/doi/http://dx.doi.org/10.18682/cyt.vi0.3288
Archivos asociados