ترجمه فارسی مقاله یک بررسی جامع روش شناختی از شناخت فعالیت های انسانی در میان روشهای داده های مختلف

چکیده

Human Activity Recognition (HAR) systems aim to understand human behaviour and assign a label to each action, attracting significant attention in computer vision due to their wide range of applications. HAR can leverage various data modalities, such as RGB images and video, skeleton, depth, infrared, point cloud, event stream, audio, acceleration, and radar signals. Each modality provides unique and complementary information suited to different application scenarios. Consequently, numerous studies have investigated diverse approaches for HAR using these modalities. This paper presents a comprehensive survey of the latest advancements in HAR from 2014 to 2024, focusing on machine learning (ML) and deep learning (DL) approaches categorized by input data modalities. We review both single-modality and multi-modality techniques, highlighting fusion-based and co-learning frameworks. Additionally, we cover advancements in hand-crafted action features, methods for recognizing human-object interactions, and activity detection. Our survey includes a detailed dataset description for each modality and a summary of the latest HAR systems, offering comparative results on benchmark datasets. Finally, we provide insightful observations and propose effective future research directions in HAR.

چکیده به فارسی (ترجمه ماشینی)

سیستم های شناخت فعالیت انسانی (HAR) با هدف درک رفتار انسان و اختصاص یک برچسب به هر عمل ، به دلیل طیف گسترده ای از برنامه های کاربردی آنها ، توجه چشمگیری را در دید رایانه ای به خود جلب می کنند.هار می تواند از روشهای مختلف داده مانند تصاویر RGB و فیلم ، اسکلت ، عمق ، مادون قرمز ، ابر نقطه ، جریان رویداد ، صوتی ، شتاب و رادار استفاده کند.هر روش اطلاعات منحصر به فرد و مکمل متناسب با سناریوهای مختلف برنامه را ارائه می دهد.در نتیجه ، مطالعات بیشماری رویکردهای متنوعی را برای HAR با استفاده از این روشها بررسی کرده اند.در این مقاله یک بررسی جامع از آخرین پیشرفت های HAR از سال 2014 تا 2024 ، با تمرکز بر رویکردهای یادگیری ماشین (ML) و یادگیری عمیق (DL) طبقه بندی شده توسط روشهای داده ورودی ارائه شده است.ما هر دو تکنیک تک ماده و چند ماده را مرور می کنیم ، و چارچوب های مبتنی بر فیوژن و یادگیری را برجسته می کنیم.علاوه بر این ، ما پیشرفت هایی را در ویژگی های عملکرد دست ساز ، روش هایی برای شناخت تعامل انسان و جسم و تشخیص فعالیت پوشش می دهیم.نظرسنجی ما شامل توضیحات دقیق مجموعه داده برای هر روش و خلاصه ای از آخرین سیستم های HAR است که نتایج مقایسه ای را در مجموعه داده های معیار ارائه می دهد.سرانجام ، ما مشاهدات روشنگری را ارائه می دهیم و مسیرهای تحقیقاتی مؤثر آینده را در HAR پیشنهاد می کنیم.