การเพิ่มประสิทธิภาพการจำแนกกิจกรรมของมนุษย์ด้วยวิธีลำดับหนึ่งกับทั้งหมด สำหรับซัพพอร์ตเวกเตอร์แมชชีนแบบหลายประเภท
คำสำคัญ:
วิธีลำดับหนึ่งกับทั้งหมด, วิธีหนึ่งกับทั้งหมด, การจำแนกกิจกรรมของมนุษย์, ซัพพอร์ตเวกเตอร์แมชชีนแบบหลายประเภทบทคัดย่อ
ปัจจุบัน มีการนำเอาวิธีหนึ่งกับทั้งหมดมาประยุกต์ใช้ในการจำแนกข้อมูลด้วยซัพพอร์ตเวกเตอร์แมชชีนแบบหลายประเภทได้อย่างมีประสิทธิภาพ อย่างไรก็ตาม ในการจำแนกการทำกิจกรรมของมนุษย์นั้น บางกิจกรรมมีลักษณะท่าทางที่คล้ายกัน และบางกิจกรรมมีการเคลื่อนไหว ทำให้ท่าทางที่แสดงออกมาของแต่ละกิจกรรมมีความคล้ายคลึงกันได้ เมื่อนำข้อมูลมาทดสอบด้วยแบบจำลองซัพพอร์ตเวกเตอร์ แมชชีนโดยใช้วิธีหนึ่งกับทั้งหมด อาจมีข้อมูลที่ถูกทดสอบเป็นหลายประเภทพร้อมกัน ทำให้การจำแนกข้อมูลในส่วนนี้เกิดความผิดพลาดได้ง่าย งานวิจัยนี้จึงนำเสนอวิธีลำดับหนึ่งกับทั้งหมดเพื่อปรับปรุงประสิทธิภาพการจำแนกการทำกิจกรรมของมนุษย์ด้วยวิธีซัพพอร์ตเวกเตอร์แมชชีนแบบหลายประเภท วิธีลำดับหนึ่งกับทั้งหมดใช้อัตราการถูกทดสอบเป็นหลายประเภทของข้อมูลในการจัดลำดับการใช้แบบจำลองในขั้นตอนการทดสอบข้อมูล โดยเลือกประเภทการจำแนกที่ข้อมูลถูกทดสอบได้เป็นประเภทแรกเป็นผลลัพธ์ในการจำแนกประเภท จากผลการทดลอง พบว่า วิธีลำดับหนึ่งกับทั้งหมดที่นำเสนอนี้ให้ค่าความถูกต้องในการจำแนกประเภทกิจกรรมสูงกว่าวิธีหนึ่งกับทั้งหมด และวิธีหนึ่งกับหนึ่ง โดยให้ค่าเฉลี่ยความถูกต้อง 95.36% นอกจากนี้ วิธีลำดับหนึ่งกับทั้งหมดใช้เวลาในการจำแนกข้อมูลเร็วกว่าวิธีหนึ่งกับทั้งหมด 1.79 เท่า และเร็วกว่าวิธีหนึ่งกับหนึ่ง 6.84 เท่า ซึ่งวิธีลำดับหนึ่งกับทั้งหมดที่นำเสนอนี้สามารถนำไปประยุกต์ใช้กับการจำแนกประเภทในงานอื่น ๆ ได้ต่อไป
References
Yin, J., Yang, Q. and Pan, J.J., 2008, “Sensor-Based Abnormal Human-Activity Detection,” IEEE Transactions on Knowledge and Data Engineering, 20 (8), pp. 1082-1090.
Visutarrom, T., Mongkolnam, P. and Chan, J.H., 2014, “Multiple-Stage Classification of Human Poses while Watching Television,” Proceedings of the 2nd International Symposium on Computational and Business Intelligence, New Delhi, India, pp. 10-16.
Chen, H., Qian, G. and James, J., 2005, “An Autonomous Dance Scoring System Using Marker-based Motion Capture,” Proceedings of the 2005 IEEE 7th Workshop on Multimedia Signal Processing, Shanghai, China. pp. 1-4.
Ranasinghe, S., Machot, F.A. and Mayr, H.C., 2016, “A Review on Applications of Activity Recognition Systems with Regard to Performance and Evaluation,” International Journal of Distributed Sensor Networks, 12 (8), pp. 1-22.
Ann, O.C. and Theng, L.B., 2014, “Human Activity Recognition: A Review,” 2014 IEEE International Conference on Control System, Computing and Engineering, Batu Ferringhi, Malaysia. pp. 389-393.
Kumada, K., Usui, Y. and Kondo, K., 2013, “Golf Swing Tracking and Evaluation using Kinect Sensor and Particle Filter,” Proceedings of the International Symposium on Intelligent Signal Processing and Communication Systems, Naha, Okinawa, Japan, pp. 698-703.
Alexiadis, D.S., Kelly, P., Daras, P., O'Connor, N.E., Boubekeur, T. and Moussa, M. B., 2011, “Evaluating a Dancer's Performance using Kinect-based Skeleton Tracking,” Proceedings of the 19th ACM International Conference on Multimedia, New York, USA, pp. 659-662.
Marquardt, Z., Beira, J., Em, N., Paiva, I. and Kox, S., 2012, “Super Mirror: a Kinect Interface for Ballet Dancers,” Proceedings of the ACM Annual Conference Extended Abstracts on Human Factors in Computing Systems, Texas, USA, pp. 1619-1624.
Yu, X., Wu, L., Liu, Q. and Zhou, H., 2011, “Children Tantrum Behaviour Analysis based on Kinect Sensor,” Proceedings of the Third Chinese Conference on Intelligent Visual Surveillance, Beijing, China, pp. 49-52.
Paliyawan, P., Nukoolkit, C. and Mongkolnam, P., 2014, “Office Workers Syndrome Monitoring using Kinect,” Proceedings of the 20th Asia-Pacific Conference on Communication, Pattaya, Thailand, pp. 58-63.
Cippitelli, E., Gasparrini, S., Gambi, E. and Spinsante, S., 2016, “A Human Activity Recognition System Using Skeleton Data from RGBD Sensors,” Computational Intelligence and Neuroscience, p. 21.
Sung, J., Ponce, C., Selman, B. and Saxena, A., 2011, “Human Activity Detection from RGBD Images,” AAAIWS'11-16 Proceedings of the 16th AAAI Conference on Plan, Activity, and Intent Recognition, AAAI Press, pp. 47-55.
Chaaraouia, A.A., Padilla-López, J. R., Climent-Pérez, P. and Flórez-Revuelta, F., 2014, “Evolutionary Joint Selection to Improve Human Action Recognition with RGB-D Devices,” Expert Systems with Applications, 41 (3), pp. 786-794.
Ong, W., Palafox, L. and Koseki, T., 2013, “Investigation of Feature Extraction for Unsupervised Learning in Human Activity Detection,” Bulletin of Networking, Computing, Systems, and Software, 2 (1), pp. 30-35.
Cortes, C. and Vapnik, V., 1995, “Support-vector Networks,” Machine Learning, 20 (3), pp. 273-297.
Hearst, M.A., Dumais, S.T., Osuna, E., Platt, J. and Scholkopf, B., 1998, “Support vector machines,” IEEE Intelligent Systems and their Applications, 13 (4), pp. 18-28.
Jetpipattanapong, D., 2018, “Feature Selection for Human Activity Classification from Skeleton Data using Two-Level Selection Technique,” KMUTT Research and Development Journal, 41 (4), pp. 401-420. (In Thai)
Taha, A., Zayed, H.H., Khalifa, M.E., and El-Horbaty, E.M., 2015, “Skeleton-based Human Activity Recognition for Video Surveillance,” International Journal of Scientific and Engineering Research, 6 (1), pp. 993-1003.
Baum, L.E., Petrie, T., Soules, G., and Weiss, N., 1970, “A Maximization Technique Occurring in the Statistical Analysis of Probabilistic Functions of Markov Chains,” The Annals of Mathematical Statistics, 41 (1), pp. 164-171.
Romero E. and Toppo D., 2007, “Comparing Support Vector Machines and Feedforward Neural Networks With Similar Hidden-Layer Weights,” IEEE Transactions on Neural Networks, 18 (3), pp. 959-963.
Korba, K.A. and Arbaoui F., 2018, “SVM Multi-Classification of Induction Machine's Bearings Defects using Vibratory Analysis based on Empirical Mode Decomposition,” International Journal of Applied Engineering Research, 13 (9), pp. 6579-6586.
Vapnip, V.N., 1999, “An Overview of Statistical Learning Theory,” IEEE Transactions on Neural Networks, 10 (5), pp. 988-999.
Hastie, T. and Tibshirani, R., 1998, “Classification by Pairwise Coupling,” Annals of Statistics, 26 (2), pp. 451-471.
Kantavat, P., Kijsirikul, B., Songsiri, P., Fukui, K. and Numao, M., 2018, “Efficient Decision Trees for Multi–Class Support Vector Machines Using Entropy and Generalization Error Estimation,” International Journal of Applied Mathematics and Computer Science, 28 (4), pp. 705–717.
Hsu, C. and Lin, C., 2002, “A Comparison of Methods for Multiclass Support Vector Machines,” IEEE Transactions on Neural Networks, 13 (2), pp. 415-425.
Haykin, S., 1998, Neural Networks: A Comprehensive Foundation, 2nd ed., Prentice-Hall, New Jersey, pp. 318-350.
Friedman, J., 1996, “Another Approach to Polychotomous Classification,” Technical Report, Department of Statistics, Stanford University.
Downloads
เผยแพร่แล้ว
How to Cite
ฉบับ
บท
License
Copyright (c) 2021 มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าธนบุรี
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เนื้อหาของบทความที่ตีพิมพ์ในวารสาร Science and Engineering Connect ในทุกรูปแบบ รวมถึงข้อความ สมการ สูตร ตาราง ภาพ ตลอดจนภาพประกอบในรูปแบบอื่นใด เป็นลิขสิทธิ์ของมหาวิทยาลัยเทคโนโลยีพระจอมเกล้าธนบุรี การนำเนื้อหา ไม่ว่าจะในรูปแบบใด ของบทความไปใช้ประโยชน์ในเชิงพาณิชย์ ต้องได้รับอนุญาตจากบรรณาธิการวารสารอย่างเป็นลายลักษณ์อักษรก่อนเท่านั้น
