Andere Kunden interessierten sich auch für
![HUMAN ACTIVITY RECOGNITION USING DEEP LEARNING]( "HUMAN ACTIVITY RECOGNITION USING DEEP LEARNING")
HUMAN ACTIVITY RECOGNITION USING DEEP LEARNING44,99 €![Riconoscimento dell'attività umana utilizzando il deep learning]( "Riconoscimento dell'attività umana utilizzando il deep learning")
Riconoscimento dell'attività umana utilizzando il deep learning44,99 €![Erkennung von Gebärdensprache mithilfe von Deep Learning]( "Erkennung von Gebärdensprache mithilfe von Deep Learning")
Erkennung von Gebärdensprache mithilfe von Deep Learning43,90 €![DeepCOPD: COPD-Erkennung mittels Deep Learning]( "DeepCOPD: COPD-Erkennung mittels Deep Learning")
DeepCOPD: COPD-Erkennung mittels Deep Learning43,90 €![FLAMED: Ein Deep-Learning-Ansatz für die Erkennung von Feuer und Rauch in Echtzeit]( "FLAMED: Ein Deep-Learning-Ansatz für die Erkennung von Feuer und Rauch in Echtzeit")
FLAMED: Ein Deep-Learning-Ansatz für die Erkennung von Feuer und Rauch in Echtzeit60,90 €![Trends in Deep Learning Methodologies]( "Trends in Deep Learning Methodologies")
Trends in Deep Learning Methodologies97,99 €![Studie über fortgeschrittene ML- und DL-Modelle zur Erkennung von Kreditkartenbetrug]( "Studie über fortgeschrittene ML- und DL-Modelle zur Erkennung von Kreditkartenbetrug")
Studie über fortgeschrittene ML- und DL-Modelle zur Erkennung von Kreditkartenbetrug79,90 €
HAR ist ein Forschungsgebiet, das sich mit der freiwilligen Erkennung täglicher Aktivitäten von Menschen auf der Grundlage von Zeitreihendaten mit Hilfe von Sensoren befasst. HAR umfasst verschiedene Bereiche wie Überwachung, Baby-Monitoring, Gesundheitsfürsorge für ältere Menschen und intelligent fahrende Autos, wobei verschiedene Ansätze zur effizienten und genauen Lösung von Problemen verwendet werden. Herkömmliche HAR-Systeme verwenden tragbare Sensoren wie Trägheitsmessgeräte (IMUs) und Dehnungssensoren, um Aktivitäten zu erkennen.Dieser Ansatz zeigt bemerkenswerte Ergebnisse für einfache Benutzeraktivitäten wie Sitzen, Stehen und Gehen. Bei komplexen Aktivitäten wie Laufen, Springen, Ringen und Schwingen weisen sensorbasierte HAR-Systeme jedoch aufgrund von Sensorfehlern höhere Fehlklassifizierungsraten auf. Diese Sensorfehler führen zu den schlechtesten Klassifizierungsergebnissen und verringern die Gesamtleistung des HAR-Systems. Mit einer Kombination aus CNN und LSTM werden Daten aus Videos extrahiert und verarbeitet. In diesem Buch wird ein tiefes neuronales Faltungsnetzwerk vorgeschlagen, mit dem die Merkmale für die Erfassung der Daten aus der Eingabesequenz (Video) extrahiert werden. Anschließend wird ein LSTM verwendet, um die zeitlichen Beziehungen zwischen den Bildern zu bestimmen.