Dissertação
Comparative Analysis of Approaches to Perform Human Activity Recognition in Public Transportation Hubs EVALUATED
Esta tese compara a eficácia dos métodos clássicos de visão computacional com algoritmos de aprendizagem profunda para Reconhecimento de Atividades Humanas. Especificamente, é comparado um classificador baseado no Modelo Oculto de Markov juntamente versus abordagens de aprendizagem profunda, nomeadamente os modelos Kinetics-I3D e ViViT. O estudo investiga o uso de imagens de profundidade em comparação com imagens a cores tradicionais, utilizando RGB, fluxo óptico e representações conjuntas para validar a eficácia dos dados. A pesquisa tem como alvo três atividades relevantes para os ambientes de transportes públicos: validação de bilhetes, colocação de mochilas no chão e envolvimento em conflitos violentos. O classificador clásssico obteve um F-score de 0,57, enquanto os modelos Kinetics-I3D e ViViT obtiveram F-scores de 0,72 e 0,70, respectivamente. Em termos de adaptabilidade, o classificador apresentou o menor desempenho, enquanto o modelo Kinetics-I3D demonstrou boa adaptabilidade e o modelo ViViT apresentou a maior adaptabilidade entre os métodos avaliados. Testes rigorosos realizados num ambiente controlado nas instalações da Hitachi Rail GTS Portugal enfatizaram métricas de desempenho como F-score, velocidade e robustez em vários cenários. Com base nestes resultados, o modelo Kinetics-I3D surge como a abordagem mais eficaz para o reconhecimento da atividade humana em tempo real, embora o modelo ViViT também apresente uma alternativa promissora. Estas conclusões irão guiar o desenvolvimento futuro de um sistema eficiente de reconhecimento de atividades em tempo real, avançando a compreensão dos pontos fortes e fracos dos métodos de aprendizagem clássicos e profundos em aplicações práticas.
novembro 19, 2024, 12:0
Documentos da dissertação ainda não disponíveis publicamente
Orientação
ORIENTADOR
Alexandre José Malheiro Bernardino
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Associado