Réinitialiser mot de passe
E-mail
Password
RNTI

MODULAD
Sous échantillonnage et machine à noyaux élastiques pour la classification de données de mouvement capturé
In EGC 2014, vol. RNTI-E-26, pp.179-190
Résumé
Dans le domaine de la reconnaissance de gestes isolés, bon nombre
de travaux se sont intéressés à la réduction de dimension sur l'axe spatial pour
réduire à la fois la complexité algorithmique et la variabilité des réalisations
gestuelles. Il est assez étonnant de constater que peu de ces méthodes se sont
explicitement penchées sur la réduction de dimension sur l'axe temporel. En
matière de complexité, la réduction de dimension sur cet axe est un enjeu majeur
quant à l'utilisabilité de distances élastiques en complexité quadratique. Par
ailleurs, la prise en compte de la variabilité sur cet axe demeure une source avérée
de gain de performance. Pour tenter d'apporter un éclairage en matière de
réduction de dimension sur l'axe temporel, nous présentons dans cet article une
approche basée sur un sous échantillonnage temporel associé à l'exploitation
d'un apprentissage automatique à base de noyaux élastiques. Nous montrons
expérimentalement, sur deux jeux de données très référencés dans la communauté
et très opposés en matière de qualité de capture de mouvement, qu'il est
possible de réduire sensiblement le nombre de postures sur les trajectoires temporelles
tout en conservant, grâce à des noyaux élastiques, des performances de
reconnaissance au niveau de l'état de l'art du domaine. Le gain de complexité
obtenu rend une telle approche éligible pour des applications temps-réel.