利用深度残留网络的特点与SVM分类器用于人类姿势识别
Irfan Kareem1, Syed Farooq Ali2, Muhammad Bilal3,4
1Department of Mathematics and Computer Science, University of Calabria, Rende, Italy.
PloS one
|December 5, 2024
概括
这项研究引入了一种混合深度学习模型用于落检测,通过将ResNet-50功能与支持矢量机器分类相结合,实现高精度. 这种新的方法在现实条件下显著提高了落检测率.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 人类姿势识别已经取得了显著的进步,深度学习方法显示出有前途.
- 现有的落检测系统在现实的环境中面临着挑战,其中包括各种各样的照明,伪装和遮蔽.
研究的目的:
- 分析混合深度学习架构的性能,以提高降落检测.
- 为了评估从残余网络 (ResNet-50) 与支持矢量机 (SVM) 分类的深度特征的融合.
主要方法:
- 开发了一个混合深度学习模型,集成ResNet-50用于特征提取和SVM用于分类.
- 该模型的性能在多摄像头落 (MCF),UR落检测 (URFD) 和UP-Fall检测 (UPFD) 数据集上进行了评估.
- 对六个最先进的深度学习网络和各种分类器 (Naive Bayes,决策树,随机森林,KNN,AdaBoost,MLP) 进行了比较实验.
主要成果:
- 拟议的混合方法实现了卓越的准确性,达到98.82% (MCF),97.95% (URFD) 和99.98% (UPFD),优于现有方法.
- 在UPFD双姿势任务中获得了100%的准确性.
- 该模型在现实条件下 (伪装,遮蔽,照明变化) 显示出高性能,在精度和时间效率方面超过了其他网络.
- 当SVM分类器被集成到混合模型中时,其表现优于或与其他分类器相匹配.
结论:
- 混合深度学习架构结合ResNet-50和SVM,为落检测提供了高度准确和高效的解决方案.
- 拟议的方法在具有挑战性的现实场景中显示出稳健性,这标志着安全应用中人类姿势识别的重大进步.
