論文の概要: SAFER-Activities: A Dataset for Smart Assessment of Fall Events and Routine Activities
- arxiv url: http://arxiv.org/abs/2609.08038v2
- Date: Wed, 09 Sep 2026 06:49:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.531368
- Title: SAFER-Activities: A Dataset for Smart Assessment of Fall Events and Routine Activities
- Title（参考訳）: SAFER-Activities: 秋のイベントと定期活動のスマートアセスメントのためのデータセット
- Authors: Diwas Lamsal, Pramod Wickramatilake, Jednipat Moonrinta, Mongkol Ekpanyapong, Matthew N. Dailey,
- Abstract要約: 転倒検知と身体活動監視のためのデータセットであるSAFER-Activitiesを紹介する。
複数のカメラが捉えた66時間以上のビデオデータと85,310のアクションインスタンス、30のアクションクラスのためのフレームレベルのアノテーションで構成されている。
2次元および3次元骨格モデル、凍結したバックボーンを持つRGBモデル、マルチモーダル融合戦略を用いてSAFER-Activitiesの動作認識をベンチマークする。
- 参考スコア（独自算出の注目度）: 0.4893345190925178
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Smart healthcare monitoring systems require precise action recognition to ensure well-being and timely intervention in critical situations such as falls, particularly for mobility-challenged individuals. Existing datasets are often clip-based, lacking the frame-level detail needed to recognize actions online, as they unfold. To address this, we introduce SAFER-Activities, a dataset for fall detection and physical activity monitoring, with a dedicated subset for wheelchair use scenarios. It comprises over 66 hours of video data captured by multiple cameras, with 85,310 action instances and frame-level annotations for 30 action classes. We benchmark action recognition on SAFER-Activities with 2D and 3D skeleton models, RGB models with frozen backbones, and multimodal fusion strategies, and evaluate on in-lab, out-of-distribution, and cross-dataset test sets. Skeleton-based models generalize best under domain shift; fusing frozen RGB features with the skeleton stream improves in-domain recognition over the baseline CNN1D, most clearly on the wheelchair subset, but degrades out of distribution. Cross-dataset and qualitative evaluations confirm that models trained on SAFER-Activities transfer well to unseen environments and external fall data. To support research on robust fall detection and activity monitoring, we release the dataset and code at https://safer-activities.github.io/.
- Abstract（参考訳）: スマートヘルスケアモニタリングシステムは、特に移動能力のある個人にとって、転倒などの重要な状況において、適切な行動認識とタイムリーな介入を確保するために、正確な行動認識を必要とする。
既存のデータセットは、しばしばクリップベースであり、オンラインでアクションを認識するために必要なフレームレベルの詳細が欠如している。
そこで我々は,転倒検知と身体活動監視のためのデータセットであるSAFER-Activitiesを紹介し,車いす利用シナリオ専用のサブセットを提案する。
複数のカメラが捉えた66時間以上のビデオデータと85,310のアクションインスタンス、30のアクションクラスのためのフレームレベルのアノテーションで構成されている。
2次元および3次元骨格モデル、凍結したバックボーンを持つRGBモデル、マルチモーダル融合戦略を用いてSAFER-Activitiesのアクション認識をベンチマークし、in-lab、out-of-distriion、cross-datasetテストセットで評価する。
冷凍RGB機能をスケルトンストリームで融合することで、ベースラインのCNN1Dよりもドメイン内の認識が向上する。
クロスデータセットと定性評価により、SAFER-Activitiesでトレーニングされたモデルは、目に見えない環境や外部のフォールデータによく移行することを確認した。
堅牢なフォール検出とアクティビティ監視の研究を支援するため、データセットとコードをhttps://safer-activities.github.io/でリリースしています。
関連論文リスト
- FEMOT: Multi-Object Tracking using Frame and Event Cameras [57.75021868843091]
バイオインスパイアされたイベントカメラは、高時間分解能と高ダイナミックレンジを提供し、極端なシナリオ下で補完的な手がかりを提供する。
FEMOTは、さまざまな現実シナリオと14の課題属性をカバーした、大規模でRGBのマルチオブジェクト追跡データセットである。
FEMOTRは、RGBとイベント機能を分離し、周波数領域でそれらを融合するマルチモーダルトラッキングフレームワークである。
論文 参考訳（メタデータ） (2026-06-12T04:17:41Z) - Towards Video Anomaly Detection from Event Streams: A Baseline and Benchmark Datasets [71.53287557600177]
イベントベースの異常検出を統一研究の方向性として確立するための第一歩を踏み出す。
まず、同期イベントとRGB記録を特徴とする、ビデオ異常検出のための複数のイベントストリームベースのベンチマークを構築した。
次に,EVent中心のビデオ異常検出フレームワークであるEWADを提案する。
論文 参考訳（メタデータ） (2026-03-26T03:33:33Z) - Concept-based Explainable Data Mining with VLM for 3D Detection [0.0]
本稿では、2次元視覚言語モデルを利用して、運転シーンからレアな物体を識別・マイニングする新しいクロスモーダルフレームワークを提案する。
提案手法は,オブジェクト検出,意味的特徴抽出,次元減少,多面外乱検出などの相補的手法を合成する。
nuScenesデータセットの実験では、この概念に基づくデータマイニング戦略により、3Dオブジェクト検出モデルの性能が向上することが示された。
論文 参考訳（メタデータ） (2025-12-05T07:18:45Z) - Real-Time Detection and Tracking of Foreign Object Intrusions in Power Systems via Feature-Based Edge Intelligence [4.60587070358843]
本稿では,電力伝送システムにおけるリアルタイム異物侵入(FOI)検出と追跡のための新しい枠組みを提案する。
本フレームワークは,(1)高速で堅牢なオブジェクトローカライゼーションのためのYOLOv7セグメンテーションモデル,(2)三重項損失を訓練したConvNeXtベースの特徴抽出器,(3)特徴支援IoUトラッカーを統合した。
スケーラブルなフィールドデプロイメントを実現するため、パイプラインは、混合精度推論を使用して、低コストのエッジハードウェアへのデプロイメントに最適化されている。
論文 参考訳（メタデータ） (2025-09-16T17:17:03Z) - TimberVision: A Multi-Task Dataset and Framework for Log-Component Segmentation and Tracking in Autonomous Forestry Operations [2.0499240875881997]
51kのトランク成分を含む2k以上の注釈付きRGB画像からなるTimberVisionデータセットを紹介した。
我々は、両方のタスクに対してモデルによって検出されたコンポーネントを統一されたトランク表現に融合する汎用フレームワークを導入する。
私たちのソリューションは幅広いアプリケーションシナリオに適しており、他のセンサーのモダリティと簡単に組み合わせることができる。
論文 参考訳（メタデータ） (2025-01-13T14:30:01Z) - 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) - Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based
Action Recognition [88.34182299496074]
アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。
我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。
時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
論文 参考訳（メタデータ） (2022-07-17T07:05:39Z) - Self-supervised Pretraining with Classification Labels for Temporal
Activity Detection [54.366236719520565]
時間的アクティビティ検出は、1フレーム当たりのアクティビティクラスを予測することを目的としている。
検出に必要なフレームレベルのアノテーションが高価なため、検出データセットの規模は限られている。
本研究では,分類ラベルを利用した自己教師付き事前学習手法を提案する。
論文 参考訳（メタデータ） (2021-11-26T18:59:28Z) - ETRI-Activity3D: A Large-Scale RGB-D Dataset for Robots to Recognize
Daily Activities of the Elderly [6.597705088139007]
ETRI-Activity3Dと呼ばれる新しいデータセットを導入し,ロボットビューにおける高齢者の日常活動に着目した。
提案したデータセットには、RGBビデオ、深さマップ、骨格配列を含む112,620のサンプルが含まれている。
また,4ストリーム適応CNN(FSA-CNN)と呼ばれる新しいネットワークを提案する。
論文 参考訳（メタデータ） (2020-03-04T07:30:16Z) - Stance Detection Benchmark: How Robust Is Your Stance Detection? [65.91772010586605]
Stance Detection (StD) は、あるトピックやクレームに対する著者の姿勢を検出することを目的としている。
マルチデータセット学習環境において、さまざまなドメインの10のStDデータセットから学習するStDベンチマークを導入する。
このベンチマーク設定では、5つのデータセットに新しい最先端結果を表示することができます。
論文 参考訳（メタデータ） (2020-01-06T13:37:51Z)
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。