视觉上下文感知的人员跌倒检测
计算机视觉与模式识别
2024-04-15 v1
摘要
随着全球人口老龄化，与跌倒相关的事件数量正在上升。有效的跌倒检测系统，特别是在医疗保健领域，对于减轻与此类事件相关的风险至关重要。本研究评估了视觉上下文（包括背景物体）对跌倒分类器准确性的作用。我们提出了一种分割流水线，以半自动地分离图像中的个体和物体。我们对 ResNet-18、EfficientNetV2-S 和 Swin-Small 等成熟模型进行了训练和评估。在训练期间，对分割出的物体应用基于像素的变换，然后在没有分割的原始图像上评估这些模型。我们的发现突出了视觉上下文对跌倒检测的显著影响。对图像背景应用高斯模糊显著提高了所有模型的性能和泛化能力。床、椅子或轮椅等背景物体可能会挑战跌倒检测系统，导致误报警。然而，我们证明在训练期间进行特定于物体的上下文变换可以有效缓解这一挑战。使用显著性图的进一步分析支持了我们的观察，即视觉上下文在分类任务中至关重要。我们创建了数据集处理 API 和分割流水线，可在 https://github.com/A-NGJ/image-segmentation-cli 获取。
引用
@article{arxiv.2404.08088,
title = {Visual Context-Aware Person Fall Detection},
author = {Aleksander Nagaj and Zenjie Li and Dim P. Papadopoulos and Kamal Nasrollahi},
journal= {arXiv preprint arXiv:2404.08088},
year = {2024}
}
备注
10 pages, 6 figures, KES IDT-24 conference