PEKING, 16. Aug. 2023 — WiMi Hologram Cloud Inc. (NASDAQ: WIMI) (“WiMi” oder das “Unternehmen”), ein führender globaler Anbieter von Hologramm-Augmented-Reality-(“AR”)-Technologie, gab heute bekannt, dass ein 3D-Menschverhaltens-Erkennungssystem auf der Grundlage von Convolutional Neural Networks (CNN) entwickelt wurde, das über eine gute Repräsentationsfähigkeit verfügt.
Die menschliche Verhaltens-Erkennung (HBR) ist der Prozess, menschliches Verhalten durch fortschrittliche Techniken zu entschlüsseln, um Maschinen in die Lage zu versetzen, dieses Verhalten zu verstehen, zu analysieren, zu verstehen und zu klassifizieren und jede Art von gültiger Eingabe oder Stimulus zu geben. Deep Learning ist sehr effektiv bei der Lösung von Erkennungs- und Klassifizierungsproblemen, da es eine End-to-End-Optimierung und verwandte Aufgaben gegenseitig nutzen kann (Transfer Learning).
Zunächst werden vier einzigartige räumlich-zeitliche Merkmalsvektoren aus der relativen Bewegung der Gelenk-Joints extrahiert, die anschließend in Bilder kodiert werden, die dann in ein CNN zur tiefen Merkmalsextraktion eingespeist werden. Genauer gesagt verwendet das System Daten für eine 3D-Menschverhaltens-Erkennungsaufgabe, indem es vier Arten informativer Merkmale (Abstands-, Abstands-Geschwindigkeits-, Winkel- und Winkel-Geschwindigkeitsmerkmale) aus den 3D-Skelettdaten extrahiert und sie mit einem geeigneten Kodierungsschema in ein Bild kodiert. Darüber hinaus verwendet WiMi die inverse Ionen-Optimierung, um überflüssige und irreführende Informationen aus dem Merkmalsraum zu entfernen. Schließlich verwendet WiMi die Klassifizierung für die finale Vorhersage der Operationen.
Der Anwendungsprozess des Systems umfasst in der Hauptsache Daten sammeln, Daten-Vorverarbeitung, Merkmalsextraktion, Klassifizierung und Entscheidungsfindung bei der Vorhersage.
Der erste Schritt besteht darin, geeignete Daten für das auf CNN basierende 3D-HBR-System zu sammeln. Ein angemessener, strukturierter und korrekt beschrifteter Datensatz ist eine der wichtigsten Anforderungen für das Training des Modells. Das neuronale Netzwerk wird den Datensatz als Beispiel verwenden, um seine entsprechenden Merkmalsinformationen zu lernen, das Gedächtnis des tiefen neuronalen Netzwerktrainings zu speichern und dieses Gedächtnis als Grundlage für die Vorhersage anderer entsprechender Datensätze zu verwenden. Daher wird die Qualität des Datensatzes direkt die Qualität des neuronalen Netzwerktrainings beeinflussen. Ein neuronales Netzwerk, das an einem Datensatz mit breiter Abdeckung, vollständigen Informationen und hoher Auflösung trainiert wurde, ist bei weitem besser als ein Netzwerk, das an einem einfachen, niedrig aufgelösten Datensatz mit komplexem Hintergrund trainiert wurde. Die Anforderungen neuronaler Netzwerke für die Verhaltens-Erkennung an den Datensatz umfassen umfassende Verhaltenskategorien, qualitativ hochwertiges Verhalten, klare Videos usw. Der zweite Schritt ist die Daten-Vorverarbeitung, bei der Merkmalsumwandlung, Merkmalsauswahl und Merkmalsextraktion zusammengefasst werden, üblicherweise als Daten-Vorverarbeitungsmodule bezeichnet. Die Merkmalsextraktion und korrekte Repräsentation sind Schlüsselschritte zur Verbesserung der Modellleistung. Bei hochdimensionalen Daten besteht eine relative Zunahme der Wahrscheinlichkeit von Modell-Überanpassung, und daher ist die Auswahl relevanter Merkmale erforderlich. Die Auswahl der für das Klassifizierungsmodell erforderlichen Merkmale ist ein kritischer Schritt für den Erfolg. Der nächste Schritt ist die Klassifizierung, bei der die extrahierten Merkmale verwendet werden, um das Modell für die Aufgabe der Erkennung und Klassifizierung verschiedener Formen des menschlichen Verhaltens zu trainieren. Schließlich gibt es die vorhersageanalytische Komponente, bei der aus den Eingaben des Convolutional Neural Network Modells aussagekräftigere Merkmale extrahiert werden, so dass das Modell Entscheidungen ohne Berücksichtigung visueller Unterschiede zwischen Kategorien treffen kann.
WiMis 3D-HBR-Algorithmussystem auf der Grundlage von CNN-Technologie kann eine hochpräzise Verhaltensidentifizierung von Einzelpersonen und Gruppen, die Vorhersage abnormalen Verhaltens und eine zeitnahe Warnung erreichen, was in Szenarien wie Personenidentifizierung, Fahrzeugidentifizierung, Eindringen in Regionen, Erkennung anomalen Ziels und anderen Anwendungsszenarien weit verbreitet eingesetzt werden kann.
Über WIMI Hologram Cloud
WIMI Hologram Cloud, Inc. (NASDAQ: WIMI) ist ein umfassender technischer Lösungsanbieter für holografische Cloud, der sich auf professionelle Bereiche wie holografische AR-Automobil-HUD-Software, 3D-holografische Puls-LiDAR, helmbasierte Lichtfeld-holografische Ausrüstung, holografische Halbleiter, holografische Cloud-Software, holografische Autonavigation und andere konzentriert. Seine Dienstleistungen und holografischen AR-Technologien umfassen die holografische AR-Anwendung für Automobile, 3D-holografische Puls-LiDAR-Technologie, holografische Visionshalbleitertechnologie, Entwicklung holografischer Software, holografische AR-Werbetechnologie, holografische AR-Unterhaltungstechnologie, holografische ARSDK-Zahlung, interaktive holografische Kommunikation und andere holografische AR-Technologien.
Safe Harbor Statements
Diese Pressemitteilung enthält “zukunftsgerichtete Aussagen” im Sinne des Private Securities Litigation Reform Act von 1995. Diese zukunftsgerichteten Aussagen können anhand von Begriffen wie “wird”, “erwartet”, “antizipiert”, “zukünftig”, “beabsichtigt”, “plant”, “glaubt”, “schätzt” und ähnlichen Aussagen identifiziert werden. Aussagen, die keine historischen Fakten darstellen, einschließlich Aussagen über die Überzeugungen und Erwartungen des Unternehmens, sind zukunftsgerichtete Aussagen. Unter anderem enthalten auch die Geschäftsprognose und Zitate des Managements in dieser Pressemitteilung sowie die strategischen und operativen Pläne des Unternehmens zukunftsgerichtete Aussagen. Das Unternehmen kann sowohl mündlich als auch schriftlich weitere zukunftsgerichtete Aussagen machen, unter anderem in Berichten an die US-Börsenaufsicht SEC auf Formblättern 20-F und 6-K, im Jahresbericht an die Aktionäre, in Pressemitteilungen und in mündlichen Aussagen von Führungskräften, Direktoren oder Mitarbeitern gegenüber Dritten. Zukunftsgerichtete Aussagen unterliegen inhärenten Risiken und Unsicherheiten. Verschiedene Faktoren könnten dazu führen, dass die tatsächlichen Ergebnisse wesentlich von den in zukunftsgerichteten Aussagen enthaltenen abweichen, darunter unter anderem die folgenden: die Ziele und Strategien des Unternehmens; die künftige Geschäftsentwicklung, die Finanzlage und die Betriebsergebnisse des Unternehmens; die voraussichtliche Wachstum des Marktes für AR-Hologrammtechnologien; und die Erwartungen des Unternehmens hinsichtlich der Nachfrage nach und der Marktzulassung seiner Produkte und Dienstleistungen.
Weitere Informationen zu diesen und anderen Risiken sind im Jahresbericht des Unternehmens auf Formblatt 20-F und im aktuellen Bericht auf Formblatt 6-K enthalten, die bei der SEC eingereicht wurden. Alle in dieser Pressemitteilung enthaltenen Informationen gelten zum Zeitpunkt der Veröffentlichung dieser Pressemitteilung. Das Unternehmen ist nicht verpflichtet, zukunftsgerichtete Aussagen zu aktualisieren, es sei denn, dies ist nach geltendem Recht erforderlich.