基于迁移学习3D CNN的人体跌倒检测
计算机视觉与模式识别
2025-06-05 v1 机器学习
摘要
意外或偶然跌倒是老年人面临的重大健康问题之一。老年人口数量正在稳步增长，因此需要自动化的跌倒检测监控系统。本文提出了一种基于视觉的跌倒检测系统，采用预训练的3D CNN。与2D CNN不同，3D CNN不仅提取空间特征，还提取时间特征。所提出的模型利用在Sports1M数据集上预训练的3D CNN模型的原始学习权重来提取时空特征。仅训练了SVM分类器，从而节省了训练3D CNN所需的时间。采用分层五折交叉验证将数据集划分为训练数据和测试数据。从所提出的3D CNN模型中提取的特征被输入到SVM分类器中，以将活动分类为跌倒或ADL。实验使用了GMDCSA和CAUCAFall两个数据集。本工作的源代码可通过以下链接获取：https://github.com/ekramalam/HFD_3DCNN。
引用
@article{arxiv.2506.03193,
title = {Human Fall Detection using Transfer Learning-based 3D CNN},
author = {Ekram Alam and Abu Sufian and Paramartha Dutta and Marco Leo},
journal= {arXiv preprint arXiv:2506.03193},
year = {2025}
}