相关实验视频
Updated: Jul 5, 2026
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.7K
一个轻量级的人类摔倒检测网络
Xi Kan1, Shenghao Zhu2, Yonghong Zhang1,2
1School of the Internet of Things Engineering, Wuxi University, Wuxi 214105, China.
Sensors (Basel, Switzerland)
|November 25, 2023
概括
一个新的轻量级摔倒检测模型,CGNS-YOLO,提高了老年人的准确性和效率. 它减少了模型大小和计算负载,提高了硬件适应性,用于现实世界的落检测系统.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 老年学是一门学科.
背景情况:
- 人口老龄化带来了增加的健康风险,老年人主要担心的是跌倒.
- 现有的YOLOv5跌落检测方法在计算需求,硬件集成和阻塞处理方面面临挑战.
研究的目的:
- 为老年人开发一种轻量级和高效的人类摔倒检测模型.
- 为了解决目前基于YOLOv5的跌落探测系统的局限性.
主要方法:
- 推出了CGNS-YOLO,一种新的轻量级方法,通过GSConv和GDCN模块重新配置YOLOv5s子网络.
- 集成了一个基于规范化的注意模块 (NAM),以专注于突出的特征.
- 采用SIoU损失函数,以提高收度和精度.
主要成果:
- 与标准YOLOv5s相比,检测准确度提高了1.2%.
- 模型参数数量减少了20.3%,浮点运算减少了29.6%.
- 通过实例分析和比较评估,证明了卓越的有效性和硬件适应性.
结论:
- CGNS-YOLO为有效和高效的老年人摔倒检测提供了一个有前途的解决方案.
- 该模型的轻量级设计提高了它在现实世界中硬件部署的适用性.
