.png){kind=icon}
返回
Dual-branch fall detection algorithm based on multi-scale temporal difference
.png){kind=icon}
PRE
AI
DOI：10.1007/s11760-025-04863-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
跌倒检测在降低老年人致残风险、缓解公共医疗系统压力以及最小化财产损失方面发挥了重要作用。随着深度学习的发展，基于视觉的跌倒检测已成为一个日益突出的研究课题。然而，许多现有方法忽视了跌倒事件中短期时空运动信息的重要性，未能有效整合全局和局部特征以实现全面交互。本文提出了一种基于多尺度时间差（MSTD-DB-FD）的双分支跌倒检测算法。我们基于Vision Transformer（ViT）基线构建该方法。为提升局部运动理解能力，我们设计了一个双分支网络，用于在多尺度上提取时空特征并融合多表示信息。一个分支使用ViT捕捉全局语义和长距离依赖关系；另一个分支使用CNN专注于局部关键特征和短期时间信息，并在时间维度上补充Transformer分支。我们设计了两个模块：多尺度时空聚合注意力（MSAA）模块和多表示时间差特征融合（MTDF）模块。经过实验验证，所提方法在UR数据集上达到99.52%的准确率，在Le2i数据集上达到99.21%。
Keyword:
Fall Detection
Computer Vision
Dual-branch
Deep Learning
期刊
IF:
2.1
论文数:
908
被引数:
4.6K
机构
引用论文
A hybrid CNN and LSTM-based deep learning model for abnormal behavior detection基于CNN和LSTM混合的深度学习异常行为检测模型
PREAI
分享收藏
Effective fall detection and post-fall breath rate tracking using a low-cost CW Doppler radar sensor
PREAI
分享收藏A hybrid human fall detection method based on modified YOLOv8s and AlphaPose基于改进YOLOv8s和AlphaPose的混合人体跌倒检测方法.png)
SCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏
查看更多内容