Hyppää sisältöön
    • FI
    • ENG
  • FI
  • /
  • EN
OuluREPO – Oulun yliopiston julkaisuarkisto / University of Oulu repository
Näytä viite 
  •   OuluREPO etusivu
  • Oulun yliopisto
  • Avoin saatavuus
  • Näytä viite
  •   OuluREPO etusivu
  • Oulun yliopisto
  • Avoin saatavuus
  • Näytä viite
JavaScript is disabled for your browser. Some features of this site may not work without it.

The joint use of sequence features combination and modified weighted SVM for improving daily activity recognition

Abidine, Bilal M’hamed; Fergani, Lamya; Fergani, Belkacem; Oussalah, Mourad (2018-02-02)

 
Avaa tiedosto
nbnfi-fe2020042219667.pdf (1.886Mt)
nbnfi-fe2020042219667_meta.xml (32.64Kt)
nbnfi-fe2020042219667_solr.xml (32.08Kt)
Lataukset: 

URL:
https://doi.org/10.1007/s10044-016-0570-y

Abidine, Bilal M’hamed
Fergani, Lamya
Fergani, Belkacem
Oussalah, Mourad
Springer Nature
02.02.2018

Abidine, B.M., Fergani, L., Fergani, B. et al. The joint use of sequence features combination and modified weighted SVM for improving daily activity recognition. Pattern Anal Applic 21, 119–138 (2018). https://doi.org/10.1007/s10044-016-0570-y

https://rightsstatements.org/vocab/InC/1.0/
© Springer-Verlag London 2016. This is a post-peer-review, pre-copyedit version of an article published in Pattern Analysis and Applications. The final authenticated version is available online at: https://doi.org/10.1007/s10044-016-0570-y.
https://rightsstatements.org/vocab/InC/1.0/
doi:https://doi.org/10.1007/s10044-016-0570-y
Näytä kaikki kuvailutiedot
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe2020042219667
Tiivistelmä

Abstract

Two serious problems affecting the implementation of human activity recognition algorithms have been acknowledged. The first one corresponds to non-informative sequence features. The second is the class imbalance in the training data due to the fact that people do not spend the same amount of time on the different activities. To address these issues, we propose a new scheme based on a combination of principal component analysis, linear discriminant analysis (LDA) and the modified weighted support vector machines. First we added the most significant principal components to the set of features extracted using LDA. This work shows that a suitable sequence feature set combined with the modified WSVM based on our criterion classifier achieves good improvement and efficiency over the traditional used methods.

Kokoelmat
  • Avoin saatavuus [38549]
oulurepo@oulu.fiOulun yliopiston kirjastoOuluCRISLaturiMuuntaja
SaavutettavuusselosteTietosuojailmoitusYlläpidon kirjautuminen
 

Selaa kokoelmaa

NimekkeetTekijätJulkaisuajatAsiasanatUusimmatSivukartta

Omat tiedot

Kirjaudu sisäänRekisteröidy
oulurepo@oulu.fiOulun yliopiston kirjastoOuluCRISLaturiMuuntaja
SaavutettavuusselosteTietosuojailmoitusYlläpidon kirjautuminen