Buscar en Google Scholar
Registro completo de metadatos
Cámara Chávez, Guillermo
Vizconde La Motta, Kelly
2019-08-09T19:50:35Z
2019-08-09T19:50:35Z
2016
1070200
https://hdl.handle.net/20.500.12590/16035
El método propuesto consta de tres partes: la extracción de características, el uso de bolsa de palabras y la clasificación. Para la primera etapa se usó los descriptores STIP para el canal de intensidad, HOG para el canal de profundidad , MFCC y Espectrograma para el canal de audio. En la siguiente etapa se utilizó bolsa de palabras en cada tipo de información por separado. Para la generación del diccionario se usó K-means y para el proceso de clasificación se utilizó SVM. En la parte de experimentos los videos fueron divididos en clips, llegando a tener una tasa de asertividad del 94.4 % en la base de vıdeos Kitchen-UCSP, que fue elaborada para esta investigación y una tasa de asertividad del 88 % en la base de videos HMA. (es_PE)
Trabajo de investigación (es_PE)
application/pdf (es_PE)
spa (es_PE)
Universidad Católica San Pablo (es_PE)
info:eu-repo/semantics/openAccess (es_PE)
https://creativecommons.org/licenses/by/4.0/ (es_PE)
Universidad Católica San Pablo (es_PE)
Repositorio Institucional - UCSP (es_PE)
STIP (es_PE)
HOG (es_PE)
Espectograma (es_PE)
SVM (es_PE)
Bolsa de palabras (es_PE)
Reconocimiento de acciones cotidianas (es_PE)
info:eu-repo/semantics/masterThesis (es_PE)
Universidad Católica San Pablo. Facultad de Ingeniería y Computación (es_PE)
Ciencia de la Computación (es_PE)
Maestría (es_PE)
Maestro en Ciencia de la Computación (es_PE)
PE (es_PE)
http://purl.org/pe-repo/ocde/ford#1.02.01 (es_PE)
Escuela Profesional de Ciencia de la Computación (es_PE)
Privada asociativa



Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons