Một mô hình học sâu cho bài toán phát hiện người bị ngã

Chỉ số đề mục

Lĩnh vực nghiên cứu

Toán học ứng dụng

Dạng tài liệu

Tác giả

Phùng Thị Thu Trang⁽¹⁾, Ma Thị Hồng Thu⁽²⁾

Nhan đề

Một mô hình học sâu cho bài toán phát hiện người bị ngã

Nhan đề tiếng anh

Nguồn trích

Khoa học và Công nghệ - Đại học Thái Nguyên

Năm xuất bản

2020

Số

14

Trang

48-53

ISSN

1859-2171

Từ khóa

Học sâu, Mạng CNN, Người té ngã, Mạng nơron, ResNet

Từ khóa tiếng anh

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.

Tóm tắt tiếng anh

Kí hiệu kho

TTKHVNQG, CTv 178

File toàn văn

Xem toàn văn

Tài liệu tham khảo

[1] B. Kwolek, and M. Kepski, (2014), “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.
[2] D. Tran, H. Wang, L. Torresani, J. Ray, Y. LeCun, and M. Paluri, (2018), “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.
[3] N. Zerrouki, and A. Houacine, (2018), “Combined Curvelets and Hidden Markov Models for Human Fall Detection,”,Multimedia Tools and Applications, vol. 77, no. 5, pp. 64056424, 2018.
[4] N. Zerrouki, F. Harrou, A. Houacine, and Y. Sun, (2016), “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.
[5] I. C-harfi, J. Miteran, J. Dubois, M. Atri, and R. Tourki, (2012), “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.
[6] S. A. Cameiro, G. P. da Silva, G. V. Leite, R. Moreno, S. J. F. Guimarães, and H. Pedrini, (2019), “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
[7] A. Nú˜nez-Marcos, G. Azkune, and I. Arganda-Carreras, (2017), “Vision-based Fall Detection with Convolutional Neural Networks,”,Wireless communications and mobile computing, vol. 2017, pp. 1-16, 2017.
[8] K. Hara, H. Kataoka, and Y. Satoh, (2018), “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. 65466555.
[9] K. He, X. Zhang, S. Ren, and J. Sun, (2016), “Deep Residual Learning for Image Recognition,”,in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016, pp. 770-778.
[10] K. Simonyan, and A. Zisserman, (2015), “Very deep Convolutional Networks for large-scale Image Recognition,”,in Proceedings of the International Conference on Learning Representations, 2015, pp. 1-14.
[11] C. Szegedy, W. Liu, Y. Jia, P. Sermanet, S. Reed, D. Anguelov, D. Erhan, V. Vanhoucke, and A. Rabinovich, (2015), “Going Deeper with Convolutions,”,Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2015, pp. 1-9
[12] M. D. Zeiler, and R. Fergus, (2014), “Visualizing and Understanding Convolutional Networks,”,European Conference on Computer Vision, Springer, 2014, pp. 818-833.
[13] A. Krizhevsky, I. Sutskever, and G. E. Hinton, (2012), “Imagenet Classification with Deep Convolutional Neural Networks,”,Proceeding of Advances in Neural Information Processing Systems (NIPS), 2012, pp. 1106-1114.