Login
- Originaltitel:
- Understanding Human Actions: A Graph Convolutional Framework for Intelligent Systems in Human-Robot Interaction
- Übersetzter Titel:
- Menschliches Verhalten verstehen: ein Graphenfaltungsrahmen für intelligente Systeme für die Mensch-Robot-Interaktion
- Autor:
- Xing, Hao
- Jahr:
- 2024
- Dokumenttyp:
- Dissertation
- Fakultät/School:
- TUM School of Computation, Information and Technology
- Institution:
- Informatik 6 - Professur für Informatik mit Schwerpunkt Telerobotik und Sensordatenfusion - (Prof. Burschka)
- Betreuer:
- Burschka, Darius (Prof. Dr.)
- Gutachter:
- Burschka, Darius (Prof. Dr.); Diepold, Klaus (Prof. Dr.)
- Sprache:
- en
- Fachgebiet:
- DAT Datenverarbeitung, Informatik
- Stichworte:
- Human Action Recognition, Understanding Human-Object Interaction, Human-Robot Collaboration
- Übersetzte Stichworte:
- Erkennung menschlichen Verhaltens, Verständnis der Mensch-Objekt-Interaktion, Mensch-Maschine-Zusammenarbeit
- TU-Systematik:
- DAT 760
- Kurzfassung:
- Understanding human behavior is crucial for intelligent systems, especially in human-computer interaction. This research delves into abstracting human behavior through graph representations, leveraging attention mechanisms to adapt relationships, and leveraging graph convolutional networks to parse spatial and temporal features. The framework predicts labels, and segments sequences, and aims to bridge the gap between training and real-world scenarios for safer human-computer interaction.
- Übersetzte Kurzfassung:
- Das Verstehen menschlichen Verhaltens ist für intelligente Systeme wichtig, besonders bei Mensch-Robot-Interaktionen. Diese Arbeit nutzt Graphdarstellungen, Aufmerksamkeitsmechanismen und Graphfaltungsnetze, um Verhaltensmuster zu analysieren. Der Ansatz ermöglicht Vorhersagen und Segmentierungen, um die Lücke zwischen Training und realen Szenarien zu schließen und die Interaktion sicherer zu gestalten.
- WWW:
- https://mediatum.ub.tum.de/?id=1735850
- Eingereicht am:
- 16.04.2024
- Mündliche Prüfung:
- 19.12.2024
- Dateigröße:
- 21118985 bytes
- Seiten:
- 132
- Urn (Zitierfähige URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20241219-1735850-0-4
- Letzte Änderung:
- 13.01.2025
BibTeX
Vorkommen:
- mediaTUM GesamtbestandEinrichtungenSchools TUM School of Engineering and DesignPrüfungsarbeitenDissertationen
- mediaTUM GesamtbestandElektronische PrüfungsarbeitenSchoolTUM School of Computation, Information and TechnologyComputer Engineering