Andere Kunden interessierten sich auch für
![DeepCOPD : détection de la BPCO grâce au deep learning]( "DeepCOPD : détection de la BPCO grâce au deep learning")
DeepCOPD : détection de la BPCO grâce au deep learning29,99 €![Analyse des sentiments dans les textes X avec l'apprentissage profond]( "Analyse des sentiments dans les textes X avec l'apprentissage profond")
Analyse des sentiments dans les textes X avec l'apprentissage profond39,99 €![FLAMED : Une approche d'apprentissage profond pour la détection en temps réel des incendies et des fumées]( "FLAMED : Une approche d'apprentissage profond pour la détection en temps réel des incendies et des fumées")
FLAMED : Une approche d'apprentissage profond pour la détection en temps réel des incendies et des fumées39,99 €![Segmentation sémantique par apprentissage profond]( "Segmentation sémantique par apprentissage profond")
Segmentation sémantique par apprentissage profond29,99 €![Reconnaissance et détection de visages spécifiques à une personne par CNN]( "Reconnaissance et détection de visages spécifiques à une personne par CNN")
Reconnaissance et détection de visages spécifiques à une personne par CNN26,99 €![Système de Détection d'Intrusion basé sur l'apprentissage profond]( "Système de Détection d'Intrusion basé sur l'apprentissage profond")
Système de Détection d'Intrusion basé sur l'apprentissage profond40,99 €![Contribution à la détection des véhicules par l'apprentissage profond]( "Contribution à la détection des véhicules par l'apprentissage profond")
Contribution à la détection des véhicules par l'apprentissage profond26,99 €
HAR est un domaine de recherche lié à la détection volontaire d'activités quotidiennes effectuées par des personnes sur la base de séries de données temporelles utilisant des capteurs. Le HAR couvre différents domaines tels que la surveillance, le suivi des bébés, les soins de santé aux personnes âgées, les voitures intelligentes, en utilisant différentes approches pour résoudre les problèmes de manière efficace et précise. Les systèmes HAR traditionnels utilisent des capteurs portables tels que des unités de mesure inertielle (IMU) et des capteurs d'étirement pour reconnaître l'activité.Cette approche donne des résultats remarquables pour les activités de base de l'utilisateur, telles que s'asseoir, se tenir debout et marcher. Mais pour les activités complexes telles que la course, le saut, la lutte et le balancement, les systèmes HAR basés sur des capteurs présentent des taux de classification erronée plus élevés en raison des erreurs de lecture des capteurs. Ces erreurs de capteur entraînent les pires résultats de classification possibles et réduisent les performances globales du système HAR. En utilisant une combinaison de CNN et de LSTM, les données seront extraites et traitées à partir de vidéos. Dans cet ouvrage, un réseau neuronal convolutionnel profond est proposé, qui permet d'extraire les caractéristiques pour la collecte des données à partir de la séquence d'entrée (vidéo). Ensuite, la LSTM sera utilisée pour déterminer les relations temporelles entre les images.