Human action recognition based on cascade graph convolutional network
Questo articolo propone una Cascade Graph Convolutional Network (CGCN) che utilizza una Matrice di Adiacenza Gerarchica Sensibile al Movimento per modellare dinamicamente le correlazioni tra le articolazioni e un'architettura a cascata a stadi per classificare progressivamente le azioni con complessità crescente, ottenendo così un equilibrio superiore tra accuratezza del riconoscimento ed efficienza computazionale su molteplici dataset.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Per comprendere come un computer possa riconoscere un'azione umana, bisogna prima capire come esso veda una persona. L'analisi video tradizionale spesso si basa sui colori e sulle forme di una scena, cercando di identificare una persona attraverso i suoi abiti o lo sfondo in cui si trova. Questo approccio è fragile; un cambiamento nell'illuminazione o una folla numerosa possono confondere la macchina. Un metodo più robusto si concentra sullo scheletro stesso, una mappa scheletrica del corpo definita dalle posizioni delle articolazioni come spalle, gomiti e ginoclia. Tracciando questi punti nel tempo, un computer può ignorare le distrazioni dell'ambiente e concentrarsi puramente sul movimento. Questa è la base del riconoscimento delle azioni basato sullo scheletro, un campo che si è evoluto dal semplice seguire regole a sistemi di apprendimento complessi. Tra questi, un tipo di intelligenza artificiale noto come rete convoluzionale a grafi è diventato uno strumento standard. Esso tratta il corpo umano come un grafo connesso, dove le articolazioni sono nodi e le ossa che le collegano sono archi, permettendo al computer di apprendere come il movimento di una parte del corpo influenzi un'altra.
Nonostante questi progressi, rimane un collo di bottiglia significativo. La maggior parte dei sistemi esistenti tratta ogni movimento come se richiedesse la mappa completa e dettagliata dell'intero corpo per essere compreso. Costringono il computer a elaborare tutte le quindici articolazioni per ogni singola azione, che si tratti di un semplice saluto o di un salto complesso. Questo è computazionalmente costoso e lento, molto simile al leggere un'intera enciclopedia per trovare una singola parola. Inoltre, questi sistemi spesso si affidano a una mappa fissa di connessioni, assumendo che solo le articolazioni fisicamente toccanti possano influenzarsi a vicenda. Ciò ignora le sottili relazioni non fisiche che si verificano durante i movimenti complessi, come il modo in cui una mano si muove in anticipo rispetto a un passo del piede, o come il busto stabilizzi un braccio che si protende. Il risultato è un sistema che è o troppo lento per l'uso in tempo reale o troppo rigido per cogliere le sfumature del comportamento umano fine.
Ricercatori della Jiangxi University of Chinese Medicine e della Nanchang University hanno proposto un nuovo approccio per risolvere questi due problemi di velocità e precisione. Hanno sviluppato un sistema chiamato Cascade Graph Convolutional Network. Inveve di costringere il computer ad analizzare l'intero corpo per ogni azione, questo sistema lavora per stadi, proprio come un posto di controllo che filtra le persone in base al rischio. Il processo inizia con una visione molto semplice del corpo, utilizzando solo cinque articolazioni chiave: la testa e le quattro articolazioni principali degli arti. Se il computer è abbastanza sicuro della sua ipotesi basandosi su questa informazione sparsa, si ferma lì e dichiara l'azione identificata. Solo se il movimento è ambiguo o complesso, il sistema procede allo stadio successivo, aggiungendo più articolazioni all'analisi, prima a dieci e infine all'intero set di quindici. Questo raffinamento graduale significa che le azioni semplici, come alzarsi in piedi o camminare, vengono riconosciute quasi istantaneamente con dati minimi, mentre solo i movimenti difficili e sottili richiedono la piena potenza computazionale dello scheletro completo.
Per rendere questo sistema ancora più preciso, i ricercatori hanno anche cambiato il modo in cui il computer comprende le connessioni tra le articolazioni. I metodi tradizionali utilizzano una mappa statica basata sull'anatomia, dove una mano è collegata solo a un gomito. Il nuovo sistema, tuttavia, apprende una mappa dinamica che cambia in base al movimento stesso. Calcola come diverse parti del corpo si muovano l'una rispetto all'altra nel tempo, identificando relazioni nascoste che non sono fisicamente connesse ma sono funzionalmente collegate. Per esempio, può rilevare che la velocità del movimento di un ginocchio è correlata all'accelerazione di un polso, anche se sono lontani sul corpo. Combinando questa comprensione dinamica con un insieme più ricco di dati che include non solo dove si trovano le articolazioni, ma anche quanto velocemente si muovono e come accelerano, il sistema acquisisce una comprensione molto più profonda dell'azione.
Il team ha testato questo nuovo metodo su tre diversi set di dati, incluso un dataset di movimenti quotidiani raccolto di recente. I risultati hanno mostrato che il sistema può identificare le azioni con un'alta precisione pur essendo significativamente più veloce dei metodi precedenti. Sul dataset UT-3D, il nuovo approccio ha raggiunto un'accuratezza del 97,50%, stabilendo un nuovo standard di riferimento (state-of-the-art) e superando il secondo miglior metodo del 5,00%. Sul dataset Florence-3D, ha raggiunto il 93,48%, classificandosi secondo solo a un sistema molto più lento e complesso. Fondamentalmente, il nuovo metodo era drammaticamente più efficiente. Mentre altri sistemi impiegavano centinaia di millisecondi per elaborare una singola azione, questo sistema a cascata spesso terminava in meno di 16 millisecondi. Valutando il bilanciamento complessivo tra velocità e precisione, il nuovo metodo ha ottenuto punteggi quasi perfetti, mentre i sistemi più lenti e accurati hanno ottenuto punteggi significativamente più bassi.
I ricercatori riconoscono che il loro sistema non è privo di limiti. Fatica quando parti del corpo sono nascoste alla vista o quando più persone si sovrappongono nel fotogramma, poiché la mappa dello scheletro diventa incompleta. Si affida inoltre a dati raccolti in ambienti controllati, il che significa che potrebbe non essere ancora pronto per l'imprevedibilità caotica di una strada affollata o di una stanza piena di gente. Tuttavia, l'innovazione centrale offre una chiara via da seguire. Dimostrando che un computer non ha bisogno di vedere tutto il corpo per comprendere un'azione semplice, e insegnando alla macchina a cercare connessioni nascoste tra le parti in movimento, questo lavoro dimostra che efficienza e intelligenza possono coesistere. Il sistema non si limita a riconoscere cosa sta facendo una persona; comprende l'azione con un livello di sfumatura che prima era riservato a modelli molto più lenti e dispendiosi di risorse, portando la possibilità di un'analisi del movimento intelligente e in tempo reale più vicina alla realtà.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.