面向助老行为识别的三维卷积神经网络设计.pdf

本文主要探讨了一种针对助老行为识别，特别是室内老人跌倒行为检测的三维卷积神经网络（3D CNN）设计方法。在老龄化社会背景下，助老行为识别是保障老年人安全和生活质量的重要技术，而跌倒作为老年人常见的安全事故，其快速准确的识别至关重要。 论文提出了一种轻量化的3D网络结构，它利用卷积核分解和分组卷积来减少网络复杂度。卷积核分解旨在将复杂的3D卷积核拆分为更小的部分，从而降低计算成本，提高网络运行效率。分组卷积则可以进一步分割特征映射，使得计算更加集中于关键特征，减轻了计算负担，有利于在资源有限的环境中实现高效的行为识别。 接着，为了优化识别效果，文章融合了浅层的2D子网络和轻量化的3D子网络。2D子网络能捕捉到图像平面内的局部特征，而3D子网络则能捕获时间维度上的动态信息，两者结合能够更全面地理解视频序列中的行为模式。此外，引入了随机滑动组合采样策略，这有助于网络适应不同长度的输入序列，增强模型的泛化能力。 为了提升网络在真实场景中的识别准确性，论文还采用了视觉显著性检测。通过对视频帧进行视觉显著性分析，可以突出人物行为和背景纹理之间的关系，有效区分出重要的行为特征，降低背景干扰，提高识别精度。 实验结果显示，所提出的网络模型参数量减少至约6.9亿，运算复杂度降低至约8.04亿次浮点运算，实现了室内跌倒行为识别任务的81.5%的准确率。这一成果对于提高助老行为识别系统的实时性和可靠性具有重要意义，也为未来智能家居、养老社区等领域的应用提供了有力的技术支持。 这篇研究工作聚焦于3D CNN在助老行为识别中的应用，通过轻量化网络设计和优化策略，提高了行为识别的效率和准确性。同时，通过视觉显著性检测，增强了模型在实际环境中的表现，对于促进智能养老技术的发展具有积极的推动作用。