Reconhecimento de atividades em grupo baseado em mapa de calor

Abstract

Este estudo objetivou a implementação de um algoritmo baseado em mapas de calor para classificar atividades em grupos de indivíduos. O sistema é composto por duas partes: geração dos mapas de calor e classificação das atividades humanas. Para a geração dos mapas, aplicaram-se conceitos da termodinâmica, especificamente da transferência de calor. A classificação foi realizada com o uso de diversas arquiteturas de redes neurais convolucionais, incluindo AlexNet, SqueezeNet, GoogLeNet e ResNet. Diferentemente de outros algoritmos que focam em atividades individuais, este trabalho concentra-se exclusivamente na identificação de atividades em grupo. Cada rede neural foi treinada (utilizando a técnica de Transfer Learning) duas vezes: uma com 3 classes de atividades em grupo e outra com 4 classes. Com 3 classes, a maioria das arquiteturas atingiu acurácia acima de 80% no conjunto de teste. Ao adicionar uma quarta classe, observou-se uma redução na acurácia e sinais de overfitting na arquitetura ResNet. No entanto, a variante ResNet-50, de maior complexidade computacional, alcançou uma acurácia de 82,38%.

This study aimed to implement an algorithm based on heatmaps to classify activities among groups of individuals. The system consists of two parts: the generation of heat maps and the classification of human activities. To generate the maps, thermodynamic concepts were applied, specifically those of the heat transfer field. Classification was performed using several convolutional neural network architectures, including AlexNet, SqueezeNet, GoogLeNet and ResNet. Unlike other algorithms that focus on individual activities, this work focuses exclusively on identifying group activities. Each neural network was trained (using the Transfer Learning technique) twice: once with 3 classes of group activities and another with 4 classes. With 3 classes, most architectures achieved accuracy above 80% on the test set. When adding a fourth class, a reduction in accuracy and signs of overfitting were observed in the ResNet architecture. However, the ResNet-50 variant, with greater computational complexity, achieved an accuracy of 82.38%.