Back to search

National and Kapodistrian University of Athens

A multimodal approach towards video domain generalization

Abstract

dc:description

Στις μέρες μας, ένας παράγοντας κλειδί για την τεχνολογική ευημερία και ανάπτυξη της ανθρωπότητας είναι η τεχνητή νοημοσύνη. Εφαρμογές τεχνητής νοημοσύνης μπορούν να βρεθούν σε πολλούς τομείς της επιστήμης υπολογιστών, αλλά και της επιστήμης γενικότερα, όπως είναι η επεξεργασία φυσικής γλώσσας και οι υποκατηγορίες της, η υπολογιστική όραση, η διαχείριση εταιρικών δεδομένων και πολλοί άλλοι. Σε αυτή την εργασία, τραβώντας έμπνευση από τις πρόσφατες εξελίξεις στην υπολογιστική όραση, παρουσιάζουμε μία καινοτόμο μέθοδο για διενέργεια αναγνώρισης ανθρωπίνων δραστηριοτήτων με γενικεύσιμο τρόπο. Μέχρι τώρα για το σκοπό αυτό μπορούσαμε να ακολουθήσουμε δύο μονοπάτια. Το πρώτο ήταν να μαζέψουμε ένα αρκετά μεγάλο σύνολο δεδομένων που θα μπορούσε να καλύψει όλες τις πιθανές παραλλαγές μιας ανθρώπινης δραστηριότητας μέσα από πολλαπλές καταγραφές βίντεο. Το δεύτερο θα ήταν να αντιμετωπίσουμε τις διαφορές μεταξύ των χώρων χαρακτηριστικών των δεδομένων με υπολογιστικά ακριβές μεθόδους ευθυγράμμισης χώρων χαρακτηριστικών χωρίς επίβλεψη. Δείχνουμε με την έρευνα μας ότι μέσω έξυπνης διαχείρισης των διαθέσιμων δεδομένων που ανήκουν στο χώρο χαρακτηριστικών εκπαίδευσης και με ελάχιστη χρήση πληροφορίας από τον χώρο χαρακτηριστικών που αποτελεί τον στόχο ευθυγράμμισης, μπορούμε να παράγουμε εύρωστα μοντέλα μηχανικής μάθησης, ικανά να προβλέπουν την ανθρώπινη δραστηριότητα μέσα σε βίντεο. Για αυτό το σκοπό, παρουσιάζουμε ένα νέο τρι-καναλικό νευρωνικό δίκτυο βαθιάς μάθησης που συνδυάζει στοιχεία από δίκτυα μετασχηματιστών υπολογιστικής όρασης και από υπολειμματικά νευρωνικά δίκτυα, που μπορούν να εκπαιδευτούν με πολυτροπικά δεδομένα. Τέλος, Δοκιμάσαμε και αξιολογήσαμε τις μεθόδους μας με ένα απαιτητικό σύνολο δεδομένων από βίντεο γυρισμένα με οπτική πρώτου προσώπου για να αποδείξουμε την αποτελεσματικότητα τους, επιτυγχάνοντας αξιοσημείωτα αποτελέσματα συγκρίνοντας τη μέθοδο μας με τις πιο πρόσφατα δημοσιευμένες αποτελεσματικές εργασίες.

Author and committee

dc:creator, dc:contributor.*
Authors dc:creator
  • Παπαδάκης Αντώνιος
  • Papadakis Antonios

Subjects

dc:subject × 2

Rights

Language dc:language
Ελληνικά, English, Greek

Identifiers

dc:identifier.*
Identifier
uoadl:3367056

Chain of custody

source
Harvested from
National and Kapodistrian University of Athens
Base URL
pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh
Last updated
2026-11-19
Source record
OAI-PMH GetRecord
citation

Παπαδάκης Αντώνιος; Papadakis Antonios. A multimodal approach towards video domain generalization. 2023. https://pergamos.lib.uoa.gr/uoa/dl/object/3367056