Chia sẻ bài báo qua Email MỘT MÔ HÌNH HỌC SÂU CHO BÀI TOÁN PHÁT HIỆN NGƯỜI BỊ NGÃ
Thông tin bài báo
Ngày nhận bài: 05/08/20 Ngày hoàn thiện: 13/11/20 Ngày đăng: 27/11/20Các tác giả
1. Phùng Thị Thu Trang
, Trường Ngoại ngữ - ĐH Thái Nguyên2. Ma Thị Hồng Thu, Trường Đại học Tân Trào
Tóm tắt
Té ngã là một trong những vấn đề nghiêm trọng đối với con người, chiếm tỷ lệ tử vong lên đến 25%, tỷ lệ này càng cao hơn đối với những người cao tuổi. Nhận dạng người bị ngã là một trong những bài toán quan trọng trong lĩnh vực thị giác máy tính. Những năm gần đây, thị giác máy tính đã đạt được tiến bộ ấn tượng khi mà học sâu thể hiện khả năng tự động học. Đã có nhiều mô hình học sâu dựa trên mạng nơ ron tích chập 3D (CNN) đã được đề xuất để giải quyết vấn đề này. Trong bài báo này, chúng tôi đề xuất một mô hình (2+1)D ResNet-18 giải quyết bài toán nhận dạng người bị ngã. Kết quả thử nghiệm cho thấy, (2+1)D ResNet-18 cho độ chính xác tốt hơn 0,87% trên bộ dữ liệu FDD và 1,13% trên bộ dữ liệu URFD so với các phương pháp được đề xuất gần đây.
Từ khóa
Toàn văn:
PDFTài liệu tham khảo
[1]. A. Krizhevsky, I. Sutskever, and G. E. Hinton, “Imagenet Classification with Deep Convolutional Neural Networks,” in Proceeding of Advances in Neural Information Processing Systems (NIPS), 2012, pp. 1106-1114.
[2]. M. D. Zeiler, and R. Fergus, “Visualizing and Understanding Convolutional Networks,” European Conference on Computer Vision, Springer, 2014, pp. 818-833.
[3]. C. Szegedy, W. Liu, Y. Jia, P. Sermanet, S. Reed, D. Anguelov, D. Erhan, V. Vanhoucke, and A. Rabinovich, “Going Deeper with Convolutions,” in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2015, pp. 1-9.
[4]. K. Simonyan, and A. Zisserman, “Very deep Convolutional Networks for large-scale Image Recognition,” in Proceedings of the International Conference on Learning Representations, 2015, pp. 1-14.
[5]. K. He, X. Zhang, S. Ren, and J. Sun, “Deep Residual Learning for Image Recognition,” in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016, pp. 770-778.
[6]. K. Hara, H. Kataoka, and Y. Satoh, “Can Spatiotemporal 3d CNNs retrace the history of 2d CNNs and Imagenet?” in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2018, pp. 6546-6555.
[7]. A. Nú˜nez-Marcos, G. Azkune, and I. Arganda-Carreras, “Vision-based Fall Detection with Convolutional Neural Networks,” Wireless communications and mobile computing, vol. 2017, pp. 1-16, 2017.
[8]. S. A. Cameiro, G. P. da Silva, G. V. Leite, R. Moreno, S. J. F. Guimarães, and H. Pedrini, “Multi-stream Deep Convolutional Network using High-level Features applied to Fall Detection in Video Sequences,” in International Conference on Systems, Signals and Image Processing, 2019, pp. 293-298.
[9]. I. Charfi, J. Miteran, J. Dubois, M. Atri, and R. Tourki, “Definition and Performance Evaluation of a robust SVM based Fall Detection Solution,” in 8th International Conference on Signal Image Technology and Internet Based Systems, 2012, pp. 218-224.
[10]. N. Zerrouki, F. Harrou, A. Houacine, and Y. Sun, “Fall Detection using Supervised Machine Learning Algorithms: A comparative study,” in 8th International Conference on Modelling, Identification and Control (ICMIC), IEEE, 2016, pp. 665-670.
[11]. N. Zerrouki, and A. Houacine, “Combined Curvelets and Hidden Markov Models for Human Fall Detection,” Multimedia Tools and Applications, vol. 77, no. 5, pp. 6405-6424, 2018.
[12]. D. Tran, H. Wang, L. Torresani, J. Ray, Y. LeCun, and M. Paluri, “A Closer Look at Spatiotemporal Convolutions for Action Recognition,” in Proceedings of the IEEE conference on Computer Vision and Pattern Recognition, 2018, pp. 6450-6459.
[13]. B. Kwolek, and M. Kepski, “Human Fall Detection on Embedded Platform using Depth Maps and Wireless Accelerometer,” Computer methods and programs in biomedicine, vol. 117, no. 3, pp. 489-501, 2014.
Các bài báo tham chiếu
- Hiện tại không có bài báo tham chiếu