
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
| Autor(es): dc.contributor | Universidade Federal de São Paulo (UNIFESP) | - |
| Autor(es): dc.creator | Roder, Mateus | - |
| Autor(es): dc.creator | Almeida, Jurandy | - |
| Autor(es): dc.creator | De Rosa, Gustavo H. | - |
| Autor(es): dc.creator | Passos, Leandro A. | - |
| Autor(es): dc.creator | Rossi, Andre L.D. | - |
| Autor(es): dc.creator | Papa, Joao P. | - |
| Data de aceite: dc.date.accessioned | 2025-08-21T23:12:23Z | - |
| Data de disponibilização: dc.date.available | 2025-08-21T23:12:23Z | - |
| Data de envio: dc.date.issued | 2022-05-01 | - |
| Data de envio: dc.date.issued | 2022-05-01 | - |
| Data de envio: dc.date.issued | 2020-12-31 | - |
| Fonte completa do material: dc.identifier | http://dx.doi.org/10.1109/SSCI50451.2021.9660128 | - |
| Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/234232 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/234232 | - |
| Descrição: dc.description | In the last decade, exponential data growth supplied machine learning-based algorithms' capacity and enabled their usage in daily-life activities. Additionally, such an improvement is partially explained due to the advent of deep learning techniques, i.e., stacks of simple architectures that end up in more complex models. Although both factors produce outstanding results, they also pose drawbacks regarding the learning process as training complex models over large datasets are expensive and time-consuming. Such a problem is even more evident when dealing with video analysis. Some works have considered transfer learning or domain adaptation, i.e., approaches that map the knowledge from one domain to another, to ease the training burden, yet most of them operate over individual or small blocks of frames. This paper proposes a novel approach to map the knowledge from action recognition to event recognition using an energy-based model, denoted as Spectral Deep Belief Network. Such a model can process all frames simultaneously, carrying spatial and temporal information through the learning process. The experimental results conducted over two public video dataset, the HMDB-51 and the UCF-101, depict the effectiveness of the proposed model and its reduced computational burden when compared to traditional energy-based models, such as Restricted Boltzmann Machines and Deep Belief Networks. | - |
| Descrição: dc.description | São Paulo State University - UNESP Department of Computing | - |
| Descrição: dc.description | Universidade Federal de São Paulo - UNIFESP Instituto de Ciência e Tecnologia | - |
| Descrição: dc.description | São Paulo State University - UNESP Department of Computing | - |
| Idioma: dc.language | en | - |
| Relação: dc.relation | 2021 IEEE Symposium Series on Computational Intelligence, SSCI 2021 - Proceedings | - |
| ???dc.source???: dc.source | Scopus | - |
| Título: dc.title | From Actions to Events: A Transfer Learning Approach Using Improved Deep Belief Networks | - |
| Tipo de arquivo: dc.type | aula digital | - |
| Aparece nas coleções: | Repositório Institucional - Unesp | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: