Pengawasan video dan pemantauan aktivitas adalah aplikasi real-time praktis dari Human Action Recognition (HAR). HAR telah menjadi bidang penelitian penting untuk aplikasi seperti pengawasan video dan pemantauan aktivitas. Aplikasinya terutama mencakup sistem pengawasan lalu lintas, sistem pengawasan video, dan interaksi manusia-komputer. Aplikasi yang ada memiliki ruang untuk efisiensi dalam hasil, waktu komputasi, dan prediksi yang salah. Berdasarkan kompleksitas tersebut, tindakan ini dapat dibagi menjadi empat jenis utama: isyarat, tindakan, aktivitas kelompok, dan interaksi.
Perpaduan beberapa arsitektur Convolutional Neural Network (CNN) telah banyak digunakan untuk HAR yang efektif dan mencapai hasil yang mengesankan. Penggabungan fitur dari beberapa model pra-terlatih juga mengekstraksi fitur yang berlebihan karena kombinasi lapisan identik di semua arsitektur CNN. Dalam penelitian ini, fusi tingkat jaringan diusulkan, yang mengurangi kemungkinan memiliki lapisan identik selama proses fusi dan membantu mengekstraksi fitur unik. Tiga model terlatih, yaitu, NASNetLarge, DenseNet201, dan DarkNet53 dipilih dan dianalisis untuk memilih kombinasi lapisan yang paling efisien di antara jaringan ini. Kombinasi yang dipilih dari jaringan ini digabungkan menggunakan lima strategi yang diusulkan, yaitu, sum, max, concatenation, convolutional dan bilinear fusion. Pada akhirnya, arsitektur CNN yang diminimalkan yang diusulkan digunakan untuk mengekstraksi deskriptor, yang dioptimalkan menggunakan pendekatan Algoritma Genetika Berbasis Elastic Net (ENGA) yang diusulkan.
Elastic Net (EN) adalah teknik regularisasi yang biasa digunakan dalam machine learning untuk mencegah overfitting dan meningkatkan performa prediksi model. EN menggabungkan metode regularisasi L1 dan L2, yang masing-masing mempromosikan sparsity dan penyusutan koefisien model. Dalam teknik pengoptimalan, EN dapat digunakan untuk menyelesaikan masalah pengoptimalan dimensi tinggi dengan sejumlah besar variabel, di mana metode tradisional mungkin tidak efektif. Kebutuhan akan EN dalam teknik optimisasi dapat dibenarkan oleh prevalensi masalah optimisasi dimensi tinggi di berbagai bidang, seperti keuangan, teknik, dan biologi. EN dapat membantu meningkatkan stabilitas dan akurasi solusi pengoptimalan dengan mengurangi dampak variabel bising atau tidak relevan sambil tetap mempertahankan variabel yang paling penting dalam model.
Genetic Algorithm (GA) adalah algoritma pencarian yang terinspirasi dari prinsip evolusi biologis, dan telah banyak digunakan dalam masalah optimasi. GA dapat diterapkan pada berbagai masalah optimisasi, termasuk masalah optimisasi diskrit dan kontinu, masalah optimisasi terkendala dan tidak terkendala, dan masalah optimisasi multi-objektif. GA melibatkan penggunaan teknik seperti seleksi, mutasi, dan persilangan untuk menghasilkan solusi baru yang berpotensi lebih baik daripada solusi saat ini. Adopsi GA dalam teknik pengoptimalan dapat dibenarkan oleh kemampuannya menangani ruang pencarian yang besar dan menemukan solusi berkualitas tinggi secara efisien. GA juga dapat dengan mudah disesuaikan dengan berbagai jenis masalah dan tujuan pengoptimalan, menjadikannya teknik pengoptimalan yang serbaguna dan fleksibel.
Dalam teknik ENGA hibrid dua fase, disarankan untuk memilih fitur menggunakan GA dan EN. GA digunakan pada tahap awal untuk mengurangi dimensi fitur yang diambil. Untuk menghilangkan fitur yang tidak perlu, regularisasi EN diterapkan pada fase kedua. Model ENGA yang diusulkan dievaluasi pada empat kumpulan data yang tersedia untuk umum termasuk UTKinect-Action, kumpulan data MSR-Action3D, kumpulan data Florence3D-Action, dan Youtube-8 m, dan mencapai 99,63%, 99,69%. Akurasi masing-masing 98,63% dan 91,46%.
Judul artikel: ENGA: Elastic Net-Based Genetic Algorithm for human action recognition
Penulis: Inzamam Mashood Nasir, Mudassar Raza, Siti Maghfirotul Ulyah, Jamal Hussain Shah, Norma Latif Fitriyani, Muhammad Syafrudin
