相关实验视频
Updated: Jun 17, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.6K
研究多尺度特征融合模型在识别异常的人类行为中的应用
Congcong Li1,2, Yifan Li2, Bin Wang2
1School of Information Science and Technology, Hebei Agricultural University, Baoding 071001, China.
Sensors (Basel, Switzerland)
|August 10, 2024
概括
本研究介绍了一种先进的MSCS-DenseNet-LSTM模型,用于使用计算机视觉识别老年人的异常行为. 该模型显著提高了检测突然行动的准确性和概括性,这对于老年人护理至关重要.
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:
- 人口老龄化需要准确识别老年人的异常行为.
- 当前的计算机视觉模型在实际环境中扎于概括和单动作识别.
研究的目的:
- 开发一个强大的计算机视觉模型,准确及时识别老年人的异常行为.
- 提高模型的概括性和单个行动的认可.
主要方法:
- 拟议的MSCS-DenseNet-LSTM模型整合了多尺度卷积结构 (MSCS) 和Inception X模块.
- 在双层LSTM中内置CBAM注意力机制,以提高概括性.
- 构建RGB图像数据集 (RIDS) 和轮图像数据集 (CIDS) 用于异常行为分析.
主要成果:
- 该MSCS-DenseNet-LSTM模型实现了高性能指标.
- 在RIDS和CIDS数据集中,精度,灵敏度和特异性达到98.80%,98.75%和98.82%.
- 与现有方法相比,表现出优越的概括和识别能力.
结论:
- 拟议的MSCS-DenseNet-LSTM模型有效地解决了当前异常行为识别系统的局限性.
- 该模型对老年人护理和监测的实际应用具有显著的希望.
- 已开发的数据集 (RIDS,CIDS) 为该领域的未来研究提供了宝贵的资源.
