Recognizing and discovering activities of daily living in smart environments
Akıllı ortamlarda günlük yaşam aktivitelerini tanıma ve keşfetme
- Tez No: 958752
- Danışmanlar: PROF. DR. ANDREA PASSERİNİ
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2013
- Dil: İngilizce
- Üniversite: Università degli studi di Trento
- Enstitü: Yurtdışı Enstitü
- Ana Bilim Dalı: Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 98
Özet
İnsan faaliyetlerinin belirlenmesi, Ortam Destekli Yaşam gibi alanlarda gelişmiş ve etkili uygulamaların geliştirilmesi için önemli bir görevdir. Etiketli verilerin mevcudiyetine bağlı olarak, tanıma yöntemleri gözetimli veya gözetimsiz olarak sınıflandırılabilir. Gerçek dünya ortamında çalışan kapsamlı bir aktivite tanıma sistemi tasarlamak, bilgisayarların insan davranışlarının karmaşık yapısını işlemesinin zorluğu nedeniyle son derece zordur. Bu tezin ilk bölümünde, sıralı desen madenciliğine dayalı aktivite tanıma performansını iyileştirmek için yeni bir gözetimli yaklaşım sunuyoruz. Bu yöntem, aynı aktivitenin gerçekleştirildiği zaman dilimlerini karakterize eden desenleri arar. Desen eşleşmelerinin diziler boyunca dağılımını temsil etmek için olasılıksal bir model öğrenilir ve bir aktivite segmentinin desen eşleşmesiyle örtüşmesini en üst düzeye çıkarılmaya çalışılır. Model, segmental bir etiketleme algoritmasına entegre edilir ve yeni dizilere uygulanır. Deneysel değerlendirmeler, desen tabanlı segmental etiketleme algoritmasının çoğu durumda sıralı ve segmental etiketleme algoritmalarına göre daha iyi sonuçlar sağladığını göstermektedir. Keşfedilen örüntülerin analizi, önemli bir zaman ufkuna yayılan kolay fark edilemeyen etkileşimleri vurgulamaktadır. Ayrıca, örüntü kullanımının, algoritma karmaşıklığında önemli bir artışa yol açmadan, uzak zaman anları arasındaki uzun menzilli bağımlılıkları birleştirmeye olanak sağladığını gösteriyoruz. Tezin ikinci bölümünde, veri etiketleri olmadan veri akışlarındaki etkinlikleri belirlemeyi amaçlayan gözetimsiz bir etkinlik keşif çerçevesi öneriyoruz. Süreç, potansiyel etkinlik değişimlerini karakterize eden sensör aktivasyonlarındaki farklılıkları belirleyerek tüm sensör akışını segmentlere ayırmakla başlar. Ardından, çıkarılan segmentler, her biri bir aday etkinliği temsil eden benzer segment grupları bulmak için kümelenir. Son olarak, bir önceki adımda bulunan segment kümeleri kullanılarak sıralı etiketleme algoritmasının parametreleri tahmin edilir ve öğrenilen model, ilk segmentasyonu düzeltmek için kullanılır. İki gerçek dünya veri kümesi için deneysel değerlendirme sunuyoruz. Elde edilen sonuçlar, segmentasyon yaklaşımlarımızın gerçek segmentasyon kadar iyi performans gösterdiğini ve çoğu durumda etkinliklerin yüksek doğrulukla keşfedildiğini göstermektedir. Modelimizin etkinliğini, önemli alan bilgisi kullanan bir teknikle karşılaştırarak gösteriyoruz. Bölüm sonunda değindiğimiz devam eden çalışmalarımız, tezin ilk bölümünde tanıtılan desen tabanlı yöntemi aktivite keşif çerçevesiyle birleştirmektedir. Ön deneylerin sonuçları, birleşik yöntemin benzer aktiviteleri keşfetmede temel çerçeveden daha iyi olduğunu göstermektedir.
Özet (Çeviri)
Identifying human activities is a key task for the development of advanced and effective ubiquitous applications in fields like Ambient Assisted Living. Depending on the availability of labeled data, recognition methods can be categorized as either supervised or unsupervised. Designing a comprehensive activity recognition system that works on a real-world setting is extremely challenging because of the difficulty for computers to process the complex nature of the human behaviors. In the first part of this thesis we present a novel supervised approach to improve the activity recognition performance based on sequential pattern mining. The method searches for patterns characterizing time segments during which the same activity is performed. A probabilistic model is learned to represent the distribution of pattern matches along sequences, trying to maximize the coverage of an activity segment by a pattern match. The model is integrated in a segmental labeling algorithm and applied to novel sequences. Experimental evaluations show that the pattern-based segmental labeling algorithm allows improving results over sequential and segmental labeling algorithms in most of the cases. An analysis of the discovered patterns highlights non-trivial interactions spanning over a significant time horizon. In addition, we show that pattern usage allows incorporating long-range dependencies between distant time instants without incurring in substantial increase in computational complexity of inference. In the second part of the thesis we propose an unsupervised activity discovery framework that aims at identifying activities within data streams in the absence of data annotation. The process starts with dividing the full sensor stream into segments by identifying differences in sensor activations characterizing potential activity changes. Then, extracted segments are clustered in order to find groups of similar segments each representing a candidate activity. Lastly, parameters of a sequential labeling algorithm are estimated using segment clusters found in the previous step and the learned model is used to smooth the initial segmentation. We present experimental evaluation for two real world datasets. The results obtained show that our segmentation approaches perform almost as good as the true segmentation and that activities are discovered with a high accuracy in most of the cases. We demonstrate the effectiveness of our model by comparing it with a technique using substantial domain knowledge. Our ongoing work is presented at the end of the section, in which we combine pattern-based method introduced in the first part of the thesis with the activity discovery framework. The results of the preliminary experiments indicate that the combined method is better in discovering similar activities than the base framework.
Benzer Tezler
- Okul öncesi kitaplardaki görsellerin çocuklar üzerindeki etkisi
The effect of visuals in preschool books on children
NESLİHAN DİLARA DOĞAN GÜL
Yüksek Lisans
Türkçe
2020
Güzel Sanatlarİstanbul Arel ÜniversitesiGrafik Tasarım Ana Bilim Dalı
PROF. GÜLER ERTAN
- Buharalı Ceditçi Abdurrauf Fıtrat'ın gazeteci kişiliği
Journalism personality of Bukharian Jadid Abdurrauf Fitrat
SHOKHRUKHBEK OLIMOV
- Girişimsel eylemler ve dinamik kabiliyetler: Kurumsal bağlamın ılımlaştırıcı rolü
Entreprenuerial actions and dynamic capabilities: The moderator role of institutional context
SERAP KORKARER
- Yapay Zeka'nın robot görmesi üzerine uygulanması
An Application of robot vision in artificial intelligence
FUNDA PEHLİVAN
- Ortaokul branş öğretmenlerinin genel müzik eğitimi profili
General music education profile of secondary school branch teachers
İMGE SINMAZ AYSAN
Yüksek Lisans
Türkçe
2016
Eğitim ve ÖğretimNiğde Ömer Halisdemir ÜniversitesiGüzel Sanatlar Eğitimi Ana Bilim Dalı
DOÇ. DR. DAMLA BULUT