論文の概要: Two-stage Fall Events Classification with Human Skeleton Data

• arxiv url: http://arxiv.org/abs/2208.12027v1
• Date: Thu, 25 Aug 2022 12:05:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-26 13:07:42.715459
• Title: Two-stage Fall Events Classification with Human Skeleton Data
• Title（参考訳）: ヒト骨格データを用いた2段階転倒イベント分類
• Authors: Leiyu Xie, Yang Sun, Jonathon A. Chambers, Syed Mohsen Naqvi
• Abstract要約: 本研究では,複数の転倒イベントの分類において,人間の骨格データを緩和するプライバシを利用する。 最初の段階では、モデルは二項分類を達成し、ノンフォールイベントをフィルタリングするように訓練される。 第2段階では、ディープニューラルネットワーク(DNN)モデルを使用して、5種類の転倒イベントをさらに分類する。
• 参考スコア（独自算出の注目度）: 20.704024218146454
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fall detection and classification become an imper- ative problem for healthcare applications particularity with the increasingly ageing population. Currently, most of the fall clas- sification algorithms provide binary fall or no-fall classification. For better healthcare, it is thus not enough to do binary fall classification but to extend it to multiple fall events classification. In this work, we utilize the privacy mitigating human skeleton data for multiple fall events classification. The skeleton features are extracted from the original RGB images to not only mitigate the personal privacy, but also to reduce the impact of the dynamic illuminations. The proposed fall events classification method is divided into two stages. In the first stage, the model is trained to achieve the binary classification to filter out the no-fall events. Then, in the second stage, the deep neural network (DNN) model is trained to further classify the five types of fall events. In order to confirm the efficiency of the proposed method, the experiments on the UP-Fall dataset outperform the state-of-the-art.
• Abstract（参考訳）: 転倒の検出と分類は、高齢化が進む医療アプリケーションにとって重要な問題となっている。 現在、フォール・クラス・シフィケーションアルゴリズムのほとんどがバイナリ・フォールまたはno-fall分類を提供している。 より良い医療のために、バイナリフォール分類を行うだけでは十分ではなく、複数のフォールイベント分類に拡張できる。 本研究では,複数の転倒イベントの分類において,人間の骨格データを緩和するプライバシーを利用する。 骨格の特徴は、元のRGB画像から抽出され、個人のプライバシーを緩和するだけでなく、動的照明の影響を低減する。 提案手法は,2段階に分けられる。 第一段階では、モデルは二項分類を達成し、ノンフォールイベントをフィルタリングするように訓練される。 次に、第2段階では、ディープニューラルネットワーク(DNN)モデルを使用して、5種類の転倒イベントをさらに分類する。 提案手法の有効性を確認するため,up-fallデータセットの実験は最先端データよりも優れていた。

関連論文リスト

• Visual Context-Aware Person Fall Detection [52.49277799455569]
  画像中の個人とオブジェクトを半自動分離するセグメンテーションパイプラインを提案する。 ベッド、椅子、車椅子などの背景オブジェクトは、転倒検知システムに挑戦し、誤ったポジティブアラームを引き起こす。 トレーニング中のオブジェクト固有のコンテキスト変換が、この課題を効果的に軽減することを示す。
  論文  参考訳（メタデータ） (2024-04-11T19:06:36Z)
• Inference Attacks Against Face Recognition Model without Classification Layers [2.775761045299829]
  顔認識(FR)は日常生活のほぼすべての側面に適用されているが、情報漏洩のリスクが常に伴っている。 本研究では,分類層を持たない実用FRモデルの2段階からなる新しい推論攻撃を提唱する。
  論文  参考訳（メタデータ） (2024-01-24T09:51:03Z)
• Balanced Classification: A Unified Framework for Long-Tailed Object Detection [74.94216414011326]
  従来の検出器は、分類バイアスによる長期データを扱う際の性能劣化に悩まされる。 本稿では,カテゴリ分布の格差に起因する不平等の適応的是正を可能にする,BAlanced CLassification (BACL) と呼ばれる統一フレームワークを提案する。 BACLは、さまざまなバックボーンとアーキテクチャを持つさまざまなデータセット間で、一貫してパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2023-08-04T09:11:07Z)
• TWINS: A Fine-Tuning Framework for Improved Transferability of Adversarial Robustness and Generalization [89.54947228958494]
  本稿では,様々な分類タスクにおいて,逆向きに事前訓練されたモデルの微調整に焦点を当てる。 本稿では,TWINS(Two-WIng NormliSation)ファインチューニングフレームワークを提案する。 TWINSは、一般化とロバスト性の両方の観点から、幅広い画像分類データセットに有効であることが示されている。
  論文  参考訳（メタデータ） (2023-03-20T14:12:55Z)
• Two-Stage Fine-Tuning: A Novel Strategy for Learning Class-Imbalanced Data [11.66734752179563]
  長い尾の分散データの分類は難しい問題である。 トレーニング済みのモデルを下流タスクに転送する場合、特に微調整では、テールクラスでの学習は困難である。 本稿では,2段階のファインチューニングを提案する。まず,事前訓練されたモデルの最終層をクラスバランスの再重み付け損失で微調整し,次に標準のファインチューニングを実行する。
  論文  参考訳（メタデータ） (2022-07-22T03:39:51Z)
• Semi-supervised New Event Type Induction and Description via Contrastive Loss-Enforced Batch Attention [56.46649994444616]
  マスク付きコントラスト損失を用いた半教師付き新しいイベント型誘導手法を提案する。 私たちは、発見したクラスタの型名を予測し、FrameNetフレームにリンクするという、2つの新しいタスクにアプローチを拡張しました。
  論文  参考訳（メタデータ） (2022-02-12T00:32:22Z)
• SuperCon: Supervised Contrastive Learning for Imbalanced Skin Lesion Classification [9.265557367859637]
  SuperConは、皮膚病変分類におけるクラス不均衡問題を克服するための2段階のトレーニング戦略である。 2段階のトレーニング戦略は,クラス不均衡の分類問題に効果的に対処し,F1スコアとAUCスコアの点で既存の作業を大幅に改善する。
  論文  参考訳（メタデータ） (2022-02-11T15:19:36Z)
• Ontology-driven Event Type Classification in Images [9.238824536215597]
  本稿では,画像中のイベントタイプを分類するためのオントロジー駆動型アプローチを提案する。 まず、ほとんどのイベントタイプからなるWikidataに基づくオントロジーを作成します。 知識グラフの構造化情報を利用して、ディープニューラルネットワークを用いて関連する事象関係を学習することを目的とした、オントロジー駆動学習アプローチを含む、いくつかのベースラインが提案されている。
  論文  参考訳（メタデータ） (2020-11-09T19:43:55Z)
• Curriculum learning for improved femur fracture classification: scheduling data with prior knowledge and uncertainty [36.54112505898611]
  畳み込みニューラルネットワーク(CNN)を用いた大腿骨近位部骨折の3および7AOクラスへの自動分類法を提案する。 我々の新しい定式化は、トレーニングサンプルを個別に重み付けし、トレーニングセットを再順序付けし、データのサブセットをサンプリングする3つのカリキュラム戦略を再結合する。 このカリキュラムは、経験豊富な外傷外科医のパフォーマンスまで、大腿骨近位部骨折分類を改善している。
  論文  参考訳（メタデータ） (2020-07-31T14:28:33Z)
• Solving Long-tailed Recognition with Deep Realistic Taxonomic Classifier [68.38233199030908]
  ロングテール認識は、現実世界のシナリオにおける自然な非一様分散データに取り組む。 モダンは人口密度の高いクラスではうまく機能するが、そのパフォーマンスはテールクラスでは著しく低下する。 Deep-RTCは、リアリズムと階層的予測を組み合わせたロングテール問題の新しい解法として提案されている。
  論文  参考訳（メタデータ） (2020-07-20T05:57:42Z)
• Equalization Loss for Long-Tailed Object Recognition [109.91045951333835]
  最先端のオブジェクト検出手法は、大きな語彙と長い尾を持つデータセットでは依然として不十分である。 そこで本稿では,長期的希少なカテゴリーの課題に対処するために,同化損失という,シンプルだが効果的な損失を提案する。 LVISベンチマークでは,レアおよび共通カテゴリのAP利得が4.1%,レアおよび共通カテゴリが4.8%である。
  論文  参考訳（メタデータ） (2020-03-11T09:14:53Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。