الشبكات العصبية التلافيفية المحلية ثلاثية الأبعاد للتعرف على المشي

يهدف التعرف على خطوات المشي إلى تعلُّم النمط الفريد المكاني-الزمني المرتبط بشكل الجسم البشري من خلال خصائصه المتغيرة زمنيًا. وبما أن أجزاء الجسم المختلفة تُظهر سلوكيات مختلفة أثناء المشي، فمن المنطقي نموذج نمط مكاني-زمني لكل جزء بشكل منفصل. ومع ذلك، فإن الطرق القائمة على الأجزاء تقوم بتقسيم خرائط الميزات لكل إطار بشكل ثابت إلى شرائح أفقية، وهو ما يُظهر بوضوح أنه لا يمكن لهذه الطرق القائمة على التقسيم الشريطي تحديد مواقع أجزاء الجسم بدقة. أولاً، قد تظهر أجزاء جسم مختلفة في الشريحة نفسها (مثلاً: الذراعين والجذع)، وقد تظهر جزء واحد في شرائح مختلفة في إطارات زمنية مختلفة (مثلاً: اليدين). ثانيًا، تمتلك أجزاء الجسم المختلفة مقاييس مختلفة، وقد تظهر نفس الجزء في إطارات زمنية مختلفة في مواقع ومقاييس مختلفة. ثالثًا، تُظهر الأجزاء المختلفة أنماط حركة متميزة (مثل: في أي إطار يبدأ الحركة، وتكرار تغير الموضع، ومدة استمرار الحركة). لتجاوز هذه التحديات، نقترح عمليات محلية ثلاثية الأبعاد جديدة كمجموعة عامة من العناصر الأساسية لبناء نماذج التعرف على خطوات المشي ثلاثية الأبعاد. تدعم العمليات المحلية الثلاثية الأبعاد المقترحة استخراج الحجوم المحلية ثلاثية الأبعاد لأجزاء الجسم ضمن تسلسل زمني، مع مقياس مكاني وزمني تكيفي، ومواقع وطول مرن. وبهذا، يتم تعلُّم النمط المكاني-الزمني لأجزاء الجسم بشكل جيد من الجيران الثلاثية الأبعاد المحلية، وبمقاييس ومواقع وترددات وطول مخصص لكل جزء. تُظهر التجارب أن شبكات التعلم العميق ثلاثية الأبعاد المحلية المقترحة تحقق أداءً متفوقًا على مجموعة متنوعة من مجموعات بيانات خطوات المشي الشهيرة. يمكن الوصول إلى الكود من خلال: https://github.com/yellowtownhz/3DLocalCNN.