DeepFall——基于深度时空卷积自编码器的非侵入式跌倒检测
计算机视觉与模式识别
2020-04-29 v3 机器学习
机器学习
摘要
人类跌倒很少发生；然而，从健康与安全角度检测跌倒非常重要。由于跌倒的稀有性，很难采用有监督分类技术来检测它们。此外，在这些高度不平衡的情形下，也难以提取领域特定特征来识别跌倒。本文中，我们提出一个新框架 \textit{DeepFall}，将跌倒检测问题表述为异常检测问题。\textit{DeepFall} 框架新颖地利用深度时空卷积自编码器，从正常活动中通过非侵入式传感模态学习空间与时间特征。我们还提出一种新的异常评分方法，结合时间窗口内各帧的重建分数来检测未见过的跌倒。我们在通过非侵入式传感模态、热像仪和深度相机收集的三个公开数据集上测试了 \textit{DeepFall} 框架，并显示出优于传统自编码器方法识别未见跌倒的结果。
引用
@article{arxiv.1809.00977,
title = {DeepFall -- Non-invasive Fall Detection with Deep Spatio-Temporal Convolutional Autoencoders},
author = {Jacob Nogas and Shehroz S. Khan and Alex Mihailidis},
journal= {arXiv preprint arXiv:1809.00977},
year = {2020}
}