面向隐私保护的事件驱动人体动作识别轻量级 3D-CNN
计算机视觉与模式识别
2026-02-24 v1
摘要
本文提出了一种用于事件驱动人体活动识别 (HAR) 的轻量级三维卷积神经网络 (3DCNN)。隐私保护是人体监控系统面临的关键挑战，因为传统帧率相机会捕获可识别的个人信息。相比之下，事件相机仅记录像素强度的变化，提供了天然的隐私保护感知模式。该提议网络有效地建模了空间和时间动态，同时保持紧凑的设计，适用于边缘部署。为解决类别不平衡问题并增强泛化性，采用类别重加权和定向数据增强策略。该模型在来源于 Toyota Smart Home 和 ETRI 数据集的组合数据集上进行训练和评估。实验结果显示，F1 分数达到 0.9415，整体准确率达 94.17%，优于 C3D、ResNet3D 和 MC3_18 等基准 3D-CNN 架构最高可达 3%。这些结果凸显了事件驱动深度学习在开发准确、高效且面向隐私的人体动作识别系统方面的潜力，适用于实际的边缘应用场景。
引用
@article{arxiv.2511.03665,
title = {A Lightweight 3D-CNN for Event-Based Human Action Recognition with Privacy-Preserving Potential},
author = {Mehdi Sefidgar Dilmaghani and Francis Fowley and Peter Corcoran},
journal= {arXiv preprint arXiv:2511.03665},
year = {2026}
}