Iii-bob. Asosiy model asosida algoritmlarni ishlab chiqish


,0 full body, upper body, lower body, legs 99,8



Yüklə 5,74 Mb.
səhifə19/23
tarix29.09.2023
ölçüsü5,74 Mb.
#129538
1   ...   15   16   17   18   19   20   21   22   23
3-BOB uchun material-15.09

100,0

full body, upper body, lower body, legs

99,8

99,9

Jadvalning yuqori qatorlariga ko‘ra, ko‘rib chiqilgan maydon qanchalik katta bo‘lsa, shunchalik yuqori aniqlik olinadi. To‘liq tanaga asoslangan model "bir qismli" modellar orasida eng muvaffaqiyatlisi bo‘lib, mos keladigan yamoq haqiqatan ham eng muhimi ekanligini tasdiqlaydi. Biroq, bu model mukammal emas va 1% dan ortiq hollarda xato qiladi. Hatto uchta "katta va o‘rta" yamoqlarning tarkibi (to‘liq tanasi, yuqori tanasi va pastki tanasi) uchta alohida modelning har biridan ustun bo‘lishiga qaramay, sifatni to‘liq yaxshilamaydi. Eng yaxshi natija besh qismga asoslangan model yordamida olinadi, bu esa oyoqlarning atrofini aniq ko‘rib chiqish ortiqcha emas va tasnifni yaxshilaydi degan xulosaga keladi.
Qiziqishning uchinchi yo‘nalishi yurishni aniqlash uchun zarur bo‘lgan video uzunligini aniqlash edi. Oldingi barcha tajribalarda jami 130 kadrgacha bo‘lgan butun video ketma-ketligi ishlatilgan. 3.15 va 3.16-jadvallarda TUM-GAID va CASIA ketma-ketliklarining qisqartirilgan bo‘limlari bo‘yicha algoritmlarni sinovdan o‘tkazish natijalari (ham ko‘p ko‘rinishli, ham yon ko‘rinish protokollaridan keyin) keltirilgan. Ushbu tajriba OULP ma’lumotlar to‘plamida o‘tkazilmadi, chunki uning videolarida doimiy ko‘rish davri taxminan 30 kvadratni tashkil etadi, bu allaqachon juda qisqa. Shunday qilib, keyingi qisqartirish foydasiz deb hisoblangan. Tarmoq alohida xaritalarda hech qanday agregatsiyasiz o‘qitilganligi sababli, u ketma-ketliklarning uzunligiga bog’liq emas va bu tajribada xuddi shu modeldan foydalanish mumkin. Yagona o‘zgarish sinov paytida amalga oshiriladi: butun ketma-ketlik o‘rniga xususiyatlarni hisoblash uchun faqat ularning birinchi kadrlari ishlatiladi. TUM-GAID ma’lumotlar to‘plami uchun = 50, 60, 70 va CASIA-B ma’lumotlar bazasi uchun = 50, 70, 90, 110 deb hisoblaymiz, chunki u erda barcha ketma-ketliklar uzoqroq. Barcha ramkalar to‘liq ko‘rinadigan inson qiyofasi bo‘lishi uchun oldindan filtrlanganligi va ko‘rib chiqilayotgan bo‘limlar hali ham bir yurish tsiklidan uzunroq bo‘lganligi sababli, boshlang’ich va tugatish pozitsiyalari muhim emas va tan olinishiga ta’sir qilmaydi.
3.16-jadval
TUM-GAID ma’lumotlar to‘plamida turli uzunlikdagi videolarni aniqlash sifati

Length of video

Rank-1 [%]

Rank-5 [%]

50 frames

94,3

94,9

60 frames

97,5

97,8

70 frames

99,4

99,5

full length

99,8

99,9

Yurish siklining uzunligi taxminan 1 soniya yoki 30-35 kvadrat bo‘lsa-da, bunday qisqa ketma-ketliklar yaxshi individual tanib olish uchun etarli emasligi aniqlandi. Ikkita ma’lumotlar to‘plamida o‘tkazilgan tajribalar tasniflash uchun ketma-ket ramkalar sonini ko‘paytirish natijalarni yaxshilashini tasdiqlaydi. Tahlil qilishning kengaytirilgan vaqti talab qilinadi, chunki tana nuqtalarining harakatlari har bir qadam uchun o‘xshash, ammo bir xil emas va mos ravishda uzoq ketma-ketliklardan foydalanish yurish uslubidagi kichik bosqichlararo o‘zgarishlarga nisbatan tanib olishni barqaror qiladi. Shuni ta’kidlash kerakki, video ketma-ketliklar butun son bo‘lmagan yurish tsiklidan iborat bo‘lishi mumkin, ammo baribir aniq tan olinishi mumkin. Asosiy modelga o‘xshab, yakuniy tajribalar to‘plamida taklif qilingan algoritmning barqarorligi va o‘tkazuvchanligi tekshiriladi. Modelni umumlashtirish mumkinligini tekshirish uchun u bitta ma’lumotlar to‘plamida o‘qitilgan va boshqasida hech qanday nozik sozlashsiz baholangan. OULP to‘plami ikkita rangli ma’lumotlar to‘plamidan farq qilganligi sababli, algoritmlarni ular o‘rtasida o‘tkazish mumkin emas, shuning uchun bu ma’lumotlar bazasi ushbu tajribada ishlatilmadi. Bundan tashqari, TUM ma’lumotlar bazasida boshqa burchaklar yo‘qligi sababli, faqat yon ko‘rinishni aniqlashni tekshirish mumkin. Shunga qaramay, bunday cheklangan modelni uzatish imkoniyati ko‘rib chiqildi va ma’lumotlar to‘plamini o‘zaro baholash natijasi 3.17-jadvalda ko‘rsatilgan. Ma’lumotlar to‘plami o‘zgargandan so‘ng tanib olish sifati yomonlashdi, ammo unchalik keskin emas. Eslatib o‘tamiz, CASIA ma’lumotlar bazasida uzatilgan pozaga asoslangan algoritmning aniqligi to‘g’ridan-to‘g’ri qo‘llaniladigan bazaviy algoritmning aniqligidan yuqori (3.5-jadval bilan solishtiring).
3.17-jadval
CASIA-B ma’lumotlar to‘plamida turli uzunlikdagi videolar uchun tanib olish sifati

Video length

Cross-view

Side-view

Average Rank-1 [%]
Probe view

Rank-1 [%]

54°

90°

126°

Mean

90°

50 frames

66,85

60,95

64,05

63,95

90,33

70 frames

67,05

62,70

66,50

65,42

91,38

90 frames

67,10

66,95

69,95

68,00

92,42

110 frames

75,25

68,45

73,20

72,30

92,68

full length

77,80

68,80

74,70

73,77

92,95





















Training Set

CASIA

Testing Set

TUM

CASIA

92,7%




66,5%

TUM

76,8%




99,8%

Shunga qaramay, oʻquv maʼlumotlar toʻplamining oʻzgarishi tufayli tanib olish aniqligi CASIA maʼlumotlar toʻplami uchun 17% va TUM uchun taxminan 33% ga kamayadi. Bu shuni ko‘rsatadiki, algoritm haddan tashqari mos keladi va o‘quv ma’lumotlari miqdori (ayniqsa CASIA ma’lumotlar to‘plamida) tarmoqning kichikroq hajmiga qaramay, umumiy algoritmni yaratish uchun etarli emas.


3.17-jadval
Transfer o‘rganish sifati

Training Set

Testing Set




CASIA

TUM

CASIA

92,7%

66,5%

TUM

76,8%

99,8%



Yüklə 5,74 Mb.

Dostları ilə paylaş:
1   ...   15   16   17   18   19   20   21   22   23




Verilənlər bazası müəlliflik hüququ ilə müdafiə olunur ©muhaz.org 2024
rəhbərliyinə müraciət

gir | qeydiyyatdan keç
    Ana səhifə


yükləyin