真实世界环境下的行为识别：面向辅助居住场景
计算机视觉与模式识别
2025-04-01 v1 人工智能
摘要
不断增长的老年人口及其维持独居生活的偏好， requires 主动策略以确保安全并提供支持。辅助居住环境（Ambient Assisted Living, AAL）技术已涌现，以在家中提供持续监控和帮助。 在 AAL 技术中，行为识别在解释人类活动和检测像跌倒、功能下降或异常行为这类事件中发挥着关键作用。然而，实际 AAL 应用中的行为识别面临挑战，包括遮挡、噪声数据以及实时性能需求。尽管在准确率、鲁棒性和计算效率方面取得了进展，但在所有方面实现平衡仍是挑战。为解决这一挑战，本文引入 Robust and Efficient Temporal Convolution network（RE-TCN），其包含三个主要组成部分：自适应时序加权（Adaptive Temporal Weighting, ATW）、深度可分离卷积（Depthwise Separable Convolutions, DSC）以及数据增强技术。这些组件旨在提升模型在准确率、抗噪声和抗遮挡鲁棒性以及计算效率方面的性能。RE-TCN 在准确率、噪声和遮挡鲁棒性方面均优于现有模型，已在四个基准数据集上验证：NTU RGB+D 60、Northwestern-UCLA、SHREC'17 和 DHG-14/28。代码已公开于：https://github.com/Gbouna/RE-TCN。
引用
@article{arxiv.2503.23214,
title = {Action Recognition in Real-World Ambient Assisted Living Environment},
author = {Vincent Gbouna Zakka and Zhuangzhuang Dai and Luis J. Manso},
journal= {arXiv preprint arXiv:2503.23214},
year = {2025}
}