Probabilistic Video-Based Gesture Recognition Using Self-organizing Feature Maps

Pateritsas, Christos; Drosopoulos, Athanasios; Stafylopatis, Andreas; Kollias, Stefanos

doi:10.1007/978-3-540-74695-9_27

Cited by 4 publications

(10 citation statements)

References 13 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Given that u i is the index of a map unit the function BM U (x i , y i ) creates S -set of indices of all map units treated as a set of symbols. As explained by the authors in [4], because the u i value of consequent points of a gesture remains the same -this is because, although continuous hand movement is described by distinct points, consequent points are generally close in the input data space. (Note: although we are talking about 2D SOM in this case, we can once more see the property of the SOM for smoothly varying data and even though we are projecting data from high-dimensional space into lowerdimensional space, we still see a correlation between the similarity distance between the input data and its mapping onto the SOM lattice).…”

Section: Gesture Recognition Using Self-organizing Maps and Trajectoriesmentioning

confidence: 94%

“…These results will be improved by taking into account the frequency of the posture transitions discussed in the next Section. [2] 90.5 Approach in [3] 98.25 Approach in [4] 93 thesis for example, does not impose domain specific knowledge reaching similar performance in terms of correctly classified gestures. In terms of complexity, approach 4 is much simpler with nearly the same recognition result as in [47].…”

mentioning

confidence: 99%

See 1 more Smart Citation

Trajectory Analysis on Spherical Self-Organizing Maps With Application to Gesture Recognition

Gonsales¹

2021

Preprint

View full text Add to dashboard Cite

show abstract

Section: Gesture Recognition Using Self-organizing Maps and Trajectoriesmentioning

confidence: 94%

mentioning

confidence: 99%

Trajectory Analysis on Spherical Self-Organizing Maps With Application to Gesture Recognition

Gonsales¹

2021

Preprint

View full text Add to dashboard Cite

show abstract

“…Another novel approach to Video-Based Gesture Recognition Using Self-Organizing Feature Maps was also created by G. Caridakis, C. Pateritas and A. Drosopoulos in [4] and [26].…”

mentioning

confidence: 99%

Trajectory Analysis on Spherical Self-Organizing Maps with Application to Gesture Recognition

Gonsales

Kyan

2013

Advances in Intelligent Systems and Computing

View full text Add to dashboard Cite

In this work, a new approach to gesture recognition using the properties of Spherical Self-Organizing Map (SSOM)is investigated. Bounded mapping of data onto a SSOM creates not only a powerful tool for visualization but also for modeling spatiotemporal information of gesture data. The SSOM allows for the automated decomposition of a variety of gestures into a set of distinct postures. The decomposition naturally organizes this set into a spatial map that preserves associations between postures, upon which we formalize the notion of a gesture as a trajectory through learned posture space. Trajectories from different gestures may share postures. However, the path traversed through posture space is relatively unique. Different variations of posture transitions occurring within a gesture trajectory are used to classify new unknown gestures. Four mechanisms for detecting the occurrence of a trajectory of an unknown gesture are proposed and evaluated on two data sets involving both hand gestures (public sign language database) and full body gestures (Microsoft Kinect database collected in-house) showing the effectiveness of the proposed approach. v Acknowledgement I would like to express my sincere gratitude to Prof. Matthew Kyan, who has guided me through my master's degree and have provided a lot of support and help during my studies. To all my family and friends for their support and understanding. To all my colleagues and friends from Ryerson Multimedia Lab who have helped me by sharing their knowledge with me. Especially to Adrian Bulzacki for collecting and providing the Microsoft Kinect data set used in this thesis. To Naimul Mefraz Khan, for his support in the topic of Spherical Self-Organizing Maps. Finally, to Chun-Hao Wang for providing network access to the Microsoft Kinect data set. vi

show abstract

“…Στην δεύτερη προσέγγιση παρουσιάστηκαν μεθοδολογίες εξαγωγής συμβολικών κα νόνων που αποτελούν και μία μορφή απεικόνισης της εξαγόμενης από τα δεδο μένα γνώσης, η οποία είναι κατανοητή και χρηστική από τον άνθρωπο. Οι δύο αυτές προσεγγίσεις παρουσιάζονται στις εργασίες [10] και [55] αντίστοιχα.…”

Section: συνεισφορά της διατριβήςunclassified

“…Αυτο-οργανούμενοι χάρτες και συμβολική αναπαράσταση γνώσης Στο κεφάλαιο αυτό παρουσιάζονται δύο μεθοδολογίες, οι οποίες εκμεταλλεύ ονται τα πλεονεκτήματα που παρουσιάζει το μοντέλο των αυτο-οργανούμενων χαρτών με σκοπό να μετασχηματίσουν την γνώση που ενσωματώνεται σε έναν εκπαιδευμένο χάρτη σε συμβολική μορφή. Στην πρώτη μεθοδολογία [10], ο μετασχηματισμός αυτός αφορά την δημιουργία συμβολικών καταστάσεων που χρησιμοποιούνται για την δημιουργία πιθανοτικών μοντέλων, ενώ στην δεύτερη περίπτωση παρουσιάζεται μία προσέγγιση σε μεθόδους εξαγωγής κανόνων από έναν εκπαιδευμένο χάρτη [55].…”

Section: συζήτηση -συμπεράσματαunclassified

Υβριδικές Ευφυείς Τεχνικές Ανάλυσης Για Εξόρυξη Γνώσης Από Δεδομένα Υψηλών Διαστάσεων

Πατερίτσας¹

View full text Add to dashboard Cite

Η ανάπτυξη υβριδικών συστημάτων στον χώρο της τεχνητής νοημοσύνης και της μηχανικής μάθησης βρίσκεται τα τελευταία χρόνια ανάμεσα στα πιο δημοφιλή πεδία έρευνας. Η συνεισφορά της παρούσας διατριβής εντάσσεται αφενός στην περιοχή των υβριδικών συστημάτων με την ανάπτυξη νέων μοντέλων και αλγορίθμων μάθησης και αφετέρου στην περιοχή της εξόρυξης γνώσης από δεδομένα. Πιο συγκεκριμένα, αρχικά αναπτύχθηκαν δυο μεθοδολογίες ομαδοποίησης με κοινό στοιχείο και στις δύο να αποτελεί η χρήση αρχικά ενός αλγόριθμου ομαδοποίησης για την δημιουργία μίας αρχικής ομαδοποίησης των δεδομένων. Στην πρώτη μέθοδο χρησιμοποιήθηκε ο αλγόριθμος FCM, ενώ στην δεύτερη χρησιμοποιήθηκε το μοντέλο των αυτο-οργανούμενων χαρτών. Στην συνέχεια, και στις δύο περιπτώσεις εφαρμόζονται τεχνικές ιεραρχικής συγχώνευσης, οι οποίες εκμεταλλευόμενες μετα-δεδομένα που προκύπτουν στην κάθε περίπτωση, έχουν ως στόχο την προσέγγιση του βέλτιστου αριθμού των ομάδων. Με χρήση της δεύτερης μεθοδολογίας αναπτύχθηκε μία μέθοδος αξιολόγησης των χαρακτηριστικών των δεδομένων εισόδου ως προς την συνεισφορά τους στον σχηματισμό των ομάδων. Η μέθοδος αυτή αποτέλεσε και τμήμα ενός πρωτότυπου υβριδικού συστήματος κατηγοριοποίησης που χρησιμοποίησε την μέθοδο αυτή ως στάδιο προεπεξεργασίας και εξαγωγής μετα-δεδομένων, τα οποία αξιοποιήθηκαν από ένα νευρο-ασαφές δίκτυο που αποτελεί το δεύτερο τμήμα του συστήματος. Στην συνέχεια, αναπτύχθηκε ένα ακόμα υβριδικό σύστημα κατηγοριοποίησης του οποίου το κυρίως μέρος αποτελεί ένας πρωτότυπος αλγόριθμος κατηγοριοποίησης που ανήκει στην κατηγορία των αλγόριθμων κατηγοριοποίησης με χρήση ένα σύνολο δεδομένων ως βάση γνώσης. Το δεύτερο τμήμα του συστήματος είναι μία μέθοδος αξιολόγησης των συνδυασμών των χαρακτηριστικών εισόδου με την χρήση αυτο-οργανούμενων χαρτών. Το μοντέλο των αυτο-οργανούμενων χαρτών χρησιμοποιήθηκε επίσης για την υλοποίηση δύο προσεγγίσεων του μετασχηματισμού της εξαγόμενης από τα δεδομένα γνώσης σε συμβολική μορφή. Η πρώτη προσέγγιση είναι η υλοποίηση ενός πρωτότυπου υβριδικού συστήματος αναγνώρισης χειρονομιών, στο οποίο οι αυτο-οργανούμενοι χάρτες χρησιμοποιήθηκαν ως παραγωγοί συμβολικών καταστάσεων από τα δεδομένα εισόδου, οι οποίες αποτέλεσαν τα δεδομένα για την δημιουργία πιθανοτικών μοντέλων κατηγοριοποίησης. Στην δεύτερη προσέγγιση παρουσιάστηκαν μεθοδολογίες εξαγωγής συμβολικών κανόνων που αποτελούν και μία μορφή απεικόνισης γνώσης, η οποία είναι κατανοητή και χρηστική από τον άνθρωπο. Η αποδοτικότητα των μεθόδων που αναπτύχθηκαν αξιολογήθηκε πειραματικά με χρήση συνόλων δεδομένων, τα οποία χρησιμοποιούνται ευρέως από την επιστημονική κοινότητα για την αξιολόγηση μεθόδων και αλγόριθμων των συναφών ερευνητικών πεδίων.

show abstract

Probabilistic Video-Based Gesture Recognition Using Self-organizing Feature Maps

Cited by 4 publications

References 13 publications

Trajectory Analysis on Spherical Self-Organizing Maps With Application to Gesture Recognition

Trajectory Analysis on Spherical Self-Organizing Maps With Application to Gesture Recognition

Trajectory Analysis on Spherical Self-Organizing Maps with Application to Gesture Recognition

Υβριδικές Ευφυείς Τεχνικές Ανάλυσης Για Εξόρυξη Γνώσης Από Δεδομένα Υψηλών Διαστάσεων

Contact Info

Product

Resources

About