Andere Kunden interessierten sich auch für
![Schätzung der menschlichen Pose mit künstlicher Intelligenz]( "Schätzung der menschlichen Pose mit künstlicher Intelligenz")
Schätzung der menschlichen Pose mit künstlicher Intelligenz26,90 €![Recognition of road scene elements using deep neural networks]( "Recognition of road scene elements using deep neural networks")
Recognition of road scene elements using deep neural networks32,99 €![CNN-basierte personenspezifische Gesichtserkennung und -detektion]( "CNN-basierte personenspezifische Gesichtserkennung und -detektion")
CNN-basierte personenspezifische Gesichtserkennung und -detektion39,90 €![Semantische Segmentierung mit Deep Learning]( "Semantische Segmentierung mit Deep Learning")
Semantische Segmentierung mit Deep Learning43,90 €![Erkennung von Gebärdensprache mithilfe von Deep Learning]( "Erkennung von Gebärdensprache mithilfe von Deep Learning")
Erkennung von Gebärdensprache mithilfe von Deep Learning43,90 €![Feinabstimmungsmethode für Deep Learning]( "Feinabstimmungsmethode für Deep Learning")
Feinabstimmungsmethode für Deep Learning43,90 €![Nutzung von Deep Learning für die Erkennung von Emotionen in der Sprache]( "Nutzung von Deep Learning für die Erkennung von Emotionen in der Sprache")
Nutzung von Deep Learning für die Erkennung von Emotionen in der Sprache43,90 €
Dieses Buch erforscht die Fähigkeiten von Faltungsneuronalen Netzen zur Bewältigung einer Aufgabe, die für Menschen leicht zu bewältigen ist: die Wahrnehmung der 3D-Pose eines menschlichen Körpers aus verschiedenen Winkeln. In unserem Ansatz sind wir jedoch auf die Verwendung eines monokularen Sichtsystems beschränkt. Zu diesem Zweck wird ein Ansatz für ein neuronales Faltungsnetzwerk auf RGB-Videos angewendet und auf dreidimensionale Faltungen erweitert. Dazu wird die Zeitdimension in Videos als dritte Dimension im Faltungsraum kodiert und direkt auf die Gelenkpositionen des menschlichen Körpers im 3D-Koordinatenraum regressiert. Diese Forschung zeigt die Fähigkeit eines solchen Netzwerks, die beste Leistung auf dem ausgewählten Human3.6M-Datensatz zu erzielen, und demonstriert damit die Möglichkeit, zeitliche Daten mit einer zusätzlichen Dimension in der Faltungsoperation erfolgreich darzustellen.