semana 8-9

docs/_posts/2024-08-30-semana8-9.md

@@ -0,0 +1,56 @@
+---
+title: "Semana 8-9"
+last_modified_at: 2024-08-30T09:13:00
+categories:
+  - Blog
+tags:
+  - Semana 8-9
+---
+
+## Recogida de datos
+
+Esta semana he acabado de perfeccionar la recolección de datos en mi programa. Lo hice en tres json distintos, uno para la información de cada cámara. He tenido que volver a aprender bien como funcionaban los json para poder crearlos y rellenarlos de manera correcta. He decidido guardar todos los puntos menos los de la cara, que eran más de 400. Para éstos últimos he utilizado una reducción y me he quedado con 28, los más significativos.
+
+## Reconstructor
+
+He creado una nueva clase llamada reconstructor, que me ha servido para coger los puntos guardados en los json de los que he hablado antes y pintarlos en los videos. Gracias a esto, he podido comprobar que he guardado los datos de manera correcta.
+
+## Estado del arte
+
+Aquí voy a ir poniendo la información que he encontrado de distintos papers sobre como usar secuencias de frames para detectar qué está haciendo:
+
+--Beyond Short Snippets: Deep Networks for Video Classification:
+
+In order to learn a global description of the video while
+maintaining a low computational footprint, we propose pro-
+cessing only one frame per second. At this frame rate, im-
+plicit motion information is lost. To compensate, follow-
+ing [19] we incorporate explicit motion information in the
+form of optical flow images computed over adjacent frames.
+Thus optical flow allows us to retain the benefits of motion
+information (typically achieved through high-fps sampling)
+while still capturing global video information. Our contri-
+butions can be summarized as follows:
+1. We propose CNN architectures for obtaining global
+video-level descriptors and demonstrate that using in-
+creasing numbers of frames significantly improves
+classification performance.
+2. By sharing parameters through time, the number of pa-
+rameters remains constant as a function of video length
+in both the feature pooling and LSTM architectures.
+3. We confirm that optical flow images can greatly bene-
+fit video classification and present results showing that
+even if the optical flow images themselves are very
+noisy (as is the case with the Sports-1M dataset), they
+can still provide a benefit when coupled with LSTMs.
+Leveraging these three principles, we achieve state-of-
+the-art performance on two different video classification
+tasks: Sports-1M (Section 4.1) and UCF-101 (Section 4.2).
+
+-- Video classification using compacted dataset based
+on selected keyframe
+
+video classification system by combining the keyframe extractor system
+and convolutional neural network (CNN) classifier
+
+![alt text](image-2.png)