通过深度无监督RGB2Depth自适应实现隐私保护跌倒检测
计算机视觉与模式识别
2023-08-24 v1 人工智能
摘要
跌倒检测是健康监测中的一项重要任务，因为它能使系统触发警报，从而在人员发生跌倒时实现更快速的干预。尽管以往多数方法依赖标准RGB视频数据，但这种细致的表观感知监测引发了显著的隐私担忧。另一方面，深度传感器更利于保护隐私，因为它们仅捕获物体距传感器或相机的距离，省略了颜色与纹理信息。本文中，我们引入一种隐私保护方案，使在RGB上训练的模型适用于深度域，并在测试时利用深度数据进行跌倒检测。为实现跨模态跌倒检测，我们提出一种无监督RGB到深度（RGB2Depth）跨模态域自适应方法，在训练时利用带标签RGB数据与无标签深度数据。我们提出的流程包含用于特征桥接的中间域模块、用于模态判别的模态对抗损失、用于伪标签深度数据与有标签源数据的分类损失、考虑源域与目标域的三元组损失，以及一种用于改进各损失间协调的新型自适应损失权重调整方法。我们的方法在无监督RGB2Depth域自适应跌倒检测任务上取得了最先进的结果。代码见https://github.com/1015206533/privacy_supporting_fall_detection。
引用
@article{arxiv.2308.12049,
title = {Towards Privacy-Supporting Fall Detection via Deep Unsupervised RGB2Depth Adaptation},
author = {Hejun Xiao and Kunyu Peng and Xiangsheng Huang and Alina Roitberg1 and Hao Li and Zhaohui Wang and Rainer Stiefelhagen},
journal= {arXiv preprint arXiv:2308.12049},
year = {2023}
}