Aug, 2018

使用深度时空卷积自编码器进行非侵入式跌倒检测

PDF
TL;DR本文提出了一个新的框架 ——DeepFall，将跌倒检测问题转化为异常检测问题，并利用深度时空卷积自编码器从常规活动中学习空间和时间特征，通过复合窗口中帧的重构分数来检测未知跌倒，应用于三个公开数据集时显示出了超越传统自编码器方法的优越性。
fall detectionanomaly detectionspatio-temporal convolutional autoencodersnon-invasive sensing modalitiesreconstruction score
发现论文，激发创造
  • 利用通道集成自编码器从可穿戴设备检测未知跌倒

    本文提出使用自编码器的集成以从可穿戴传感器的不同通道中提取特征来自动检测跌倒，该方法对于未见过的跌倒的识别非常有效，并对比了传统自编码器模型和两种标准的单类分类方法。

    Oct, 2016

  • 时序位移 —— 用于改进异常摔倒检测的多目标损失函数

    老年人跌倒是全球范围内导致伤害和死亡的重要原因。准确的跌倒检测可以帮助减少潜在伤害和其他健康并发症。不同类型的视频模态可用于家庭环境中进行跌倒检测，包括 RGB、红外和热像仪。本文提出了一种名为时间位移的新的多目标损失函数，旨在在一系列连续帧的窗口内预测未来和重建的帧。该方法在包含多个相机模态的半自然状态下跌倒检测数据集上进行了评估。该方法对于多个模型都取得了显著的改进，具备在跌倒检测以外的其他环境中提高异常检测能力的潜力。

    Nov, 2023

  • 一项向深度卷积网络如何识别跌倒行为的实证研究

    通过系统的经验研究，本文探讨了基于深度卷积网络的跌倒识别过程及其效果，并提出了几个有助于提高跌倒检测系统性能的因素。

    Dec, 2018

  • 利用时空自编码器检测视频中的异常事件

    我们提出了一种有效的方法来检测视频中的异常，该方法利用卷积神经网络的卷积层进行物体识别和识别，其中包括两个主要组件，一个用于空间特征表示，以及一个用于学习空间特征的时间演变。实验结果表明，我们的方法的检测准确性与最先进的方法相当，速度高达 140 帧 / 秒。

    Jan, 2017

  • 基于粗 - 细卷积神经网络和 GRU 网络集成模型的深度学习跌倒检测算法

    本文提出了一种基于粗细卷积神经网络和门控循环单元的集成模型，用于可靠地检测老年人的跌倒事件。该模型利用传感器采集的信号，结合人工智能技术进行分析，融合不同层次的空间特征和时序依赖关系进行特征表示，实验结果表明其在区分跌倒与日常活动方面的可靠性和性能优于现有的卷积神经网络和长短时记忆网络方法。

    Apr, 2023

  • 卷积自编码器在视频异常检测中的深度学习方法

    我们提出了一种使用卷积自编码器和解码器神经网络在 UCSD 数据集上检测视频异常的深度学习方法，通过学习正常视频的时空模式，并将测试视频的每一帧与该学习表示进行比较，我们在 Ped1 数据集上实现了 99.35% 的总体准确率，并在 Ped2 数据集上实现了 99.77% 的总体准确率，证明了我们的方法在监控视频异常检测方面的有效性，结果显示我们的方法优于其他最先进方法，可以在实际应用中用于视频异常检测。

    Nov, 2023

  • 基于深度学习的基于视觉的人体跌倒检测系统综述

    本综述文章讨论了基于深度学习和计算机视觉的非侵入式（基于视觉）人类跌倒检测技术，包括对跌倒检测基准数据集的调查和对不同评估指标的讨论，同时提出了基于视觉的人类跌倒检测技术未来的研究方向。

    Jul, 2022

  • 基于物理传感器的深度学习摔倒检测系统

    基于嵌入式传感器的跌倒检测是近年来的一个实际且流行的研究方向，本文构建了一个完整的系统 TSFallDetect，利用时间序列数据提出了一个新的基于深度学习模型的跌倒预测方法，通过实证研究表明该深度学习模型在跌倒检测领域具有更多的潜在优势。

    Feb, 2024

  • 基于人体骨骼数据的两阶段坠落事件分类

    本研究利用人体骨架数据进行跌倒事件的多类别分类，其中采用了深度神经网络模型，并对提出的方法进行了实验验证。

    Aug, 2022

  • 混合深度网络用于异常检测

    本文提出一种深度卷积神经网络 (CNN)，用于监控视频中的异常检测，该网络能够对每帧视频提供异常评估分数，实验结果与现有研究相竞争。

    Aug, 2019