时间偏移——用于改进异常跌倒检测的多目标损失函数
计算机视觉与模式识别
2023-11-07 v1 人工智能
摘要
跌倒是全球老年人受伤和死亡的主要原因。准确的跌倒检测有助于减少潜在伤害及额外健康并发症。在家庭环境中可使用不同类型的视频模态来检测跌倒，包括 RGB、红外和热成像摄像机。由于跌倒的罕见性与多样性导致的数据不平衡，可使用基于自编码器及其变体的异常检测框架进行跌倒检测。然而，自编码器中重构误差的使用会限制传播信息的网络结构之应用。本文提出一种称为时间偏移（Temporal Shift）的新多目标损失函数，旨在预测顺序帧窗口内的未来帧与重构帧。所提损失函数在包含多摄像机模态的半自然主义跌倒检测数据集上进行了评估。自编码器在老年人日常活动（ADL）上训练，并在年轻人的 ADL 与跌倒上测试。时间偏移相较基线 3D 卷积自编码器、注意力 U-Net CAE 和多模态神经网络显示出显著改进。在单一摄像机下，注意力 U-Net 模型相较仅重构提升了 0.20 的 AUC ROC，改进最为明显。由于在不同模型上均有显著改进，该方法有潜力被广泛采用，并提升除跌倒检测外其他场景中的异常检测能力。
引用
@article{arxiv.2311.02863,
title = {Temporal Shift -- Multi-Objective Loss Function for Improved Anomaly Fall Detection},
author = {Stefan Denkovski and Shehroz S. Khan and Alex Mihailidis},
journal= {arXiv preprint arXiv:2311.02863},
year = {2023}
}