基于动作识别系统的智能家居婴儿身体安全监测
计算机视觉与模式识别
2023-05-02 v2 人工智能
机器学习
摘要
人类能够通过演绎推理，直观地推断出观测中两个状态之间发生的动作。这是因为大脑运作于双向通信模型，该模型基于与既往经验相连的特征，显著提升了识别与预测的准确率。在过去十年中，用于动作识别的深度学习模型取得了显著进展。然而，深度神经网络在针对特定动作识别（AR）任务的小数据集上难以完成这些任务。与大多数动作识别任务一样，准确描述时空数据中活动的模糊性是一个缺陷，可通过策划合适的数据集来克服，包括仔细标注和预处理视频数据以分析各类识别任务。在本研究中，我们提出了一种新颖的轻量框架，将迁移学习技术与 Conv2D LSTM 层相结合，从 Kinetics 数据集上预训练的 I3D 模型中提取特征，用于需要较小数据集和较少计算资源的新 AR 任务（智能婴儿照护）。此外，我们构建了一个基准数据集和一种自动化模型，该模型使用 LSTM 卷积与 I3D（ConvLSTM-I3D）来识别和预测智能婴儿房中的婴儿活动。最后，我们实施了视频增强以提升模型在智能婴儿照护任务上的性能。与其他基准模型相比，我们的实验框架以更少的计算资源取得了更好的性能。
引用
@article{arxiv.2210.12527,
title = {Baby Physical Safety Monitoring in Smart Home Using Action Recognition System},
author = {Victor Adewopo and Nelly Elsayed and Kelly Anderson},
journal= {arXiv preprint arXiv:2210.12527},
year = {2023}
}