FLAMe：基于空间-时间关键点变换器的联邦学习注意力机制用于智慧城市中行人跌倒检测
计算机视觉与模式识别
2024-12-20 v1
摘要
在智慧城市中，检测行人跌倒是确保市民安全与生活质量的重大挑战。本研究提出了一种基于联邦学习（FL）算法的新型跌倒检测系统，称为FLAMe（Federated Learning with Attention Mechanism）。FLAMe围绕重要关键点信息进行训练，仅将训练后的重要权重传输到服务器，从而降低通信成本并保护数据隐私。此外，将轻量级关键点变换器模型集成到FL框架中，以有效学习空间-时间特征。我们使用来自AI-Hub“Fall Accident Risk Behavior Video-Sensor Pair data”数据集的22,672个视频样本进行实验验证。实验结果表明，基于FLAMe的系统在保持性能类似于现有集中式学习的同时，以约19万个传输参数实现94.02%的准确率，通过将通信成本约降低40%于现有联邦学习算法FedAvg，最大化了效率。因此，FLAMe算法证明了其在智慧城市分布式环境中提供了稳健性能，并是公共安全的实用且有效的解决方案。
引用
@article{arxiv.2412.14768,
title = {FLAMe: Federated Learning with Attention Mechanism using Spatio-Temporal Keypoint Transformers for Pedestrian Fall Detection in Smart Cities},
author = {Byeonghun Kim and Byeongjoon Noh},
journal= {arXiv preprint arXiv:2412.14768},
year = {2024}
}
备注
8 pages, 7 figures, AAAI 2025 FLUID Workshop