Triplet-loss Learning for Classification of 3D Human Motion Data

Bc. Barbora Kompišová

Master's thesis

Abstract:

Automatické spracovanie 3D dát zachycujúcich ľudský pohyb pomocou extrakcie charakteristík je veľmi užitočné pri automatickej klasifikácii či hľadaní podobností vo veľkých dátach. Táto práca implementuje dva prístupy na spracovanie pohybových dát z datového súboru HDM05 s využitím tzv. triplet-loss prístupu učenia hlbokých neurónových sietí. Do výslednej podoby vysokodimenzionálneho vektoru sú v práci spracované tak anotované dáta pohybových akcii, ako aj iba čiastočne anotované dáta segmentov, ich menších, prekrývajúcich sa častí.

Abstract:

Automated processing of 3D human motion data into descriptive features is useful for solving tasks like classification or similarity searching. This thesis explores processing of motion data from the motion capture dataset HDM05 represented as images using the triplet-loss learning approach in deep convolutional neural networks for image processing to produce efficient representations of the data. The data is processed both on the level of source actions utilizing their annotations, as well as on smaller, overlapping parts of the actions we call segments, which cannot be labelled directly, thus laying foundation for processing motion data from its image representation for both labelled and partially-labelled data.

Keywords

Motion data, HDM05, Feature extraction, Motion image, Deep neural networks, Action recognition, Triplet-loss learning

Language used: English

Date on which the thesis was submitted / produced: 7. 1. 2021

Thesis defence

• Date of defence: 12. 2. 2021
• Supervisor: RNDr. Jan Sedmidubský, Ph.D.
• Reader: RNDr. Petr Eliáš, Ph.D.

Masaryk University

Faculty of Informatics

Master programme / field:
Applied Informatics / Applied Informatics