Header

UZH-Logo

Maintenance Infos

Cross-scale analysis in classification and segmentation of movement


Soleymani, Ali. Cross-scale analysis in classification and segmentation of movement. 2016, University of Zurich, Faculty of Science.

Abstract

Summary

Movement is the essence of many spatiotemporal phenomena around us. Recent advances in tracking technologies have enabled the collection of tremendous amounts of movement trajectory data. Following in the footsteps of data production, computational methods are being developed in order to extract meaningful patterns from the raw movement data. These patterns, in return, can be related to valuable information about the behaviors of the moving objects under study. However, due to the internal and external factors influencing movement, the behaviors maybe compounds of different patterns at various spatial and temporal scales.

The focus of this thesis therefore lies on investigating the importance of scale and cross-scale analysis in two movement analysis tasks, namely movement classification and trajectory segmentation. In movement classification, the aim is to build a classification model by finding relationships and rules among movement features in order to assign the input data to known classes. In trajectory segmentation, however, the aim is to decompose a movement trajectory into segments of homogenous movement characteristics. These characteristics can be measured by different geometrical, physiological or semantic properties of movement. The relevance of these two analysis tasks are highly recognized in the literature, however, the consideration of cross-scale aspects has the advantage to improve the commonly used single-scale approaches in the tasks of movement classification and trajectory segmentation.

The main contribution of this thesis lies in introducing new methodologies for cross-scale movement analysis. In movement classification, we employed a resampling method for an improvement computation of movement parameters across different temporal scales as input features in the classification. Moreover, the use of discrete wavelet transform (DWT), as another multi-scale measure, is investigated to provide complementary features in movement classification. DWT is further used in trajectory segmentation, where the provided decomposition levels of DWT is used to investigate the variations in movement patterns across different scales.

In the addressed tasks, this thesis shows that cross-scale analysis is needed in order to define an analysis scale which matches better to the scale of phenomena under study and that employing such methods yields better-quality results compared to single-scale analysis. The importance of cross-scale analysis was revealed by application on various movement datasets in real-world applications such as neuropharmacology, behavioral ecology, and biology. Bewegung ist der Kern vieler uns umgebender, raumzeitlicher Phänomene. Dank der jüngsten Entwicklungen im Bereich der Tracking-Technologie können Bewegungstrajektorien im grossen Umfang erfasst werden. Neben der Erfassung der Bewegungstrajektorien liegt der Fokus vor allem auf deren Auswertung mit Hinblick auf der Extrahierung aussagekräftiger Muster, da diese Muster wertvolle Informationen über die sich bewegenden Objekte enthalten können. Die Objektbewegungen können hierbei sowohl durch interne als auch durch externe Faktoren beeinflusst werden, weshalb die extrahierten Muster raumzeitlichen Variationen unterliegen können.

Die vorliegende Arbeit beschäftigt sich mit der Bedeutung skalenbezogener und skalenübergreifender Aspekte für Standardanalysen der Bewegung: zum einen für die Klassifikation von Bewegungsmustern und zum anderen für die Segmentierung von Bewegungstrajektorien. Bei dem Klassifikationsansatz werden Bewegungsmuster aufgrund ihrer spezifischen Eigenschaften in vordefinierte Kategorien eingeordnet. Dahingegen werden bei der Segmentierung die Bewegungstrajektorien zuerst entsprechend charakteristischer Bewegungsmerkmale in homogene Teil-Trajektorien unterteilt und nachfolgend unter Berücksichtigung geometrischer, physiologischer und semantischer Eigenschaften quantitativ ausgewertet. Diese üblicherweise ein-skalig angewandten Standardanalysen entsprechen zwar dem aktuellen Stand der Forschung, haben aber mit Hinblick auf die Berücksichtigung skalenübergreifender Aspekte noch Verbesserungspotential.

Der wichtigste Beitrag der vorliegenden Arbeit ist dementsprechend die Einführung neuer, skalenübergreifender Methoden für die Analyse von Bewegungstrajektorien. Durch den Einsatz von Resampling auf zeitlich unterschiedliche Abtastintervalle konnte die Berechnung der für die Klassifikation von Bewegungsmustern notwendigen Bewegungsparameter deutlich verbessert werden. Darüber hinaus konnten durch die multi-skalige Anwendung der diskreten Wavelet- Transformation (DWT) zusätzliche Merkmale für den Klassifikationsansatz abgeleitet werden. DWT fand zudem Verwendung in der Segmentierung der Bewegungstrajektorien, um skalenübergreifenden Variationen in den Bewegungsmustern zu untersuchen.

Die Ergebnisse zeigen, dass skalenübergreifende Aspekte berücksichtigt werden müssen, damit für die Auswertungen von Bewegungstrajektorien die Skala so definiert werden kann, dass sie bestmöglich der Skala des untersuchten Phänomens entspricht. Eine Integration der in dieser Arbeit entwickelten Methoden in die bestehenden Analysen resultiert in qualitativ besseren Ergebnissen im Vergleich zu ein-skaligen Anwendungen. Die Bedeutung skalenübergreifender Analysen wurde hierbei anhand praxisorientierter Anwendungen im Bereich Neuropharmakologie, Verhaltensökologie und Biologie verdeutlicht.

Abstract

Summary

Movement is the essence of many spatiotemporal phenomena around us. Recent advances in tracking technologies have enabled the collection of tremendous amounts of movement trajectory data. Following in the footsteps of data production, computational methods are being developed in order to extract meaningful patterns from the raw movement data. These patterns, in return, can be related to valuable information about the behaviors of the moving objects under study. However, due to the internal and external factors influencing movement, the behaviors maybe compounds of different patterns at various spatial and temporal scales.

The focus of this thesis therefore lies on investigating the importance of scale and cross-scale analysis in two movement analysis tasks, namely movement classification and trajectory segmentation. In movement classification, the aim is to build a classification model by finding relationships and rules among movement features in order to assign the input data to known classes. In trajectory segmentation, however, the aim is to decompose a movement trajectory into segments of homogenous movement characteristics. These characteristics can be measured by different geometrical, physiological or semantic properties of movement. The relevance of these two analysis tasks are highly recognized in the literature, however, the consideration of cross-scale aspects has the advantage to improve the commonly used single-scale approaches in the tasks of movement classification and trajectory segmentation.

The main contribution of this thesis lies in introducing new methodologies for cross-scale movement analysis. In movement classification, we employed a resampling method for an improvement computation of movement parameters across different temporal scales as input features in the classification. Moreover, the use of discrete wavelet transform (DWT), as another multi-scale measure, is investigated to provide complementary features in movement classification. DWT is further used in trajectory segmentation, where the provided decomposition levels of DWT is used to investigate the variations in movement patterns across different scales.

In the addressed tasks, this thesis shows that cross-scale analysis is needed in order to define an analysis scale which matches better to the scale of phenomena under study and that employing such methods yields better-quality results compared to single-scale analysis. The importance of cross-scale analysis was revealed by application on various movement datasets in real-world applications such as neuropharmacology, behavioral ecology, and biology. Bewegung ist der Kern vieler uns umgebender, raumzeitlicher Phänomene. Dank der jüngsten Entwicklungen im Bereich der Tracking-Technologie können Bewegungstrajektorien im grossen Umfang erfasst werden. Neben der Erfassung der Bewegungstrajektorien liegt der Fokus vor allem auf deren Auswertung mit Hinblick auf der Extrahierung aussagekräftiger Muster, da diese Muster wertvolle Informationen über die sich bewegenden Objekte enthalten können. Die Objektbewegungen können hierbei sowohl durch interne als auch durch externe Faktoren beeinflusst werden, weshalb die extrahierten Muster raumzeitlichen Variationen unterliegen können.

Die vorliegende Arbeit beschäftigt sich mit der Bedeutung skalenbezogener und skalenübergreifender Aspekte für Standardanalysen der Bewegung: zum einen für die Klassifikation von Bewegungsmustern und zum anderen für die Segmentierung von Bewegungstrajektorien. Bei dem Klassifikationsansatz werden Bewegungsmuster aufgrund ihrer spezifischen Eigenschaften in vordefinierte Kategorien eingeordnet. Dahingegen werden bei der Segmentierung die Bewegungstrajektorien zuerst entsprechend charakteristischer Bewegungsmerkmale in homogene Teil-Trajektorien unterteilt und nachfolgend unter Berücksichtigung geometrischer, physiologischer und semantischer Eigenschaften quantitativ ausgewertet. Diese üblicherweise ein-skalig angewandten Standardanalysen entsprechen zwar dem aktuellen Stand der Forschung, haben aber mit Hinblick auf die Berücksichtigung skalenübergreifender Aspekte noch Verbesserungspotential.

Der wichtigste Beitrag der vorliegenden Arbeit ist dementsprechend die Einführung neuer, skalenübergreifender Methoden für die Analyse von Bewegungstrajektorien. Durch den Einsatz von Resampling auf zeitlich unterschiedliche Abtastintervalle konnte die Berechnung der für die Klassifikation von Bewegungsmustern notwendigen Bewegungsparameter deutlich verbessert werden. Darüber hinaus konnten durch die multi-skalige Anwendung der diskreten Wavelet- Transformation (DWT) zusätzliche Merkmale für den Klassifikationsansatz abgeleitet werden. DWT fand zudem Verwendung in der Segmentierung der Bewegungstrajektorien, um skalenübergreifenden Variationen in den Bewegungsmustern zu untersuchen.

Die Ergebnisse zeigen, dass skalenübergreifende Aspekte berücksichtigt werden müssen, damit für die Auswertungen von Bewegungstrajektorien die Skala so definiert werden kann, dass sie bestmöglich der Skala des untersuchten Phänomens entspricht. Eine Integration der in dieser Arbeit entwickelten Methoden in die bestehenden Analysen resultiert in qualitativ besseren Ergebnissen im Vergleich zu ein-skaligen Anwendungen. Die Bedeutung skalenübergreifender Analysen wurde hierbei anhand praxisorientierter Anwendungen im Bereich Neuropharmakologie, Verhaltensökologie und Biologie verdeutlicht.

Statistics

Downloads

47 downloads since deposited on 14 Feb 2017
20 downloads since 12 months
Detailed statistics

Additional indexing

Item Type:Dissertation (monographical)
Referees:Weibel Robert
Communities & Collections:UZH Dissertations
Dewey Decimal Classification:910 Geography & travel
Language:English
Place of Publication:Zürich
Date:2016
Deposited On:14 Feb 2017 14:01
Last Modified:08 Feb 2019 15:16
Number of Pages:135
OA Status:Green
Free access at:Related URL. An embargo period may apply.
Related URLs:https://www.recherche-portal.ch/primo-explore/fulldisplay?docid=ebi01_prod010795964&context=L&vid=ZAD&search_scope=default_scope&tab=default_tab&lang=de_DE (Library Catalogue)

Download

Download PDF  'Cross-scale analysis in classification and segmentation of movement'.
Preview
Content: Published Version
Filetype: PDF
Size: 8MB