IJCAIJan, 2021

深度神经网络对轮椅行为的识别，用于可视化人行道无障碍通行

PDF
TL;DR本论文介绍了使用三轴加速度计通过电动轮椅的行为估计人行道可达性的方法，通过使用深度神经网络从轮椅加速度中提取知识，通过有监督和弱监督方法对道路表面条件进行分类，并通过无监督变分自编码器评估轮椅使用者的人行道障碍，从而估计行人道可达性。
发现论文，激发创造
  • 面向全球范围内的众包 + 人工智能技术，为残疾人士绘制和评估人行道

    本文描述了利用分层多尺度注意模型，主动学习语义分割和 Crowd+AI 评估人行道状态和易达性特征等方法，从卫星图像中半自动构建人行道网络拓扑结构的初步工作，并呼吁建立标准化的步行街景场景数据库和基准。

    Jun, 2022

  • 使用预处理的 Lidar 数据进行人行分类和信号交叉口到达时间预测的框架

    研究表明，使用轮椅的行人死亡率比整体人口的行人死亡率高 36％。使用机器学习和深度学习模型，结合先进的交通传感器，设计了一个系统架构，可以区分残障人士和正常行人，并预测到达下一个路口的时间。该方案表现出了较高的脆弱用户分类和到达时间预测准确性。

    Jan, 2022

  • 面向康复的智能助行器中基于深度学习的人体运动解码方法

    本文提出了一种使用 RGB-D 摄像头的无接触方法，使用基于深度学习的算法来处理下肢 RGB-D 视频序列，以早期识别 / 检测人类动作，从而成功解码了人类运动和需求，使得智能步行器在康复中发挥更大作用。

    Jan, 2023

  • 基于智能手机在野外进行的深度学习步态识别

    使用智能手机的惯性传感器，以无约束状态采集步态数据，通过深度学习技术学习建模，提出了一种有效的步态识别方法，使得人员身份鉴别和认证性能高于 93.5% 和 93.7%。

    Nov, 2018

  • 基于自监督学习的骑行舒适感感知视觉导航

    该研究提出利用自我感知技术来显式地建模乘坐舒适度，在自助移动机器人导航任务中实现对地形难度的预测，从而提供残疾人使用过程中的安全和乘坐舒适度。

    Jul, 2022

  • 预测城市变化对行人和道路安全的影响

    本文研究了如何利用历史事故数据和街景图像自动预测城市干预对事故发生率的影响，结果显示可以利用机器学习工具优先考虑有针对性的城市干预措施，从而提高行人和车辆的安全性。

    Feb, 2022

  • StairNet: 用于人机移动的楼梯视觉识别

    使用 StairNet 平台进行人机行走的研究，使用深度学习模型和数据集检测和识别楼梯，在有效模型精度和尺寸之间找到权衡，以提高复杂地面的行走效果。

    Oct, 2023

  • 使用轻量级卷积神经网络进行盲人街道安全辅助

    本文提出了一种利用深度学习卷积神经网络模型的免费移动应用程序，以帮助视障者在现实时间内快速获取和理解交通信号灯颜色和方向的必要信息。应用程序在分类准确度上达到了 96％，平均角度误差为 6.15 度，并通过声音和震动同时提供信息。此解决方案已通过 7 名视障人士的测试，获得了满意的反馈。

    Sep, 2019

  • IDNet：基于卷积神经网络的智能手机步态识别

    使用智能手机的加速度计和陀螺仪信号识别用户的步态，实现基于步态的用户身份认证，最小化认证错误率，并且技术与现有方法相比显著优越。

    Jun, 2016

  • 三轴加速度计深度活动识别模型

    本文研究怎样利用加速度计和深度学习方法实现人类活动识别效果更准确，并且避免手工特征设计的问题，该方法可利用海量未标记数据进行特征提取。同时，本文还提出了基于深度学习和隐马尔可夫模型（DL-HMM）的分层识别方法，此方法将深度学习模型的分层表征与 HMM 的时序建模相结合，实现了对人类活动的精准识别，有效改进了以往算法的性能。

    Nov, 2015