已有跌倒检测工作主要关注室内场景,且大多偏重对人员身体姿态特征进行建模,而忽略了场景背景信息以及人员与地面的交互信息。针对这个问题,从实际电梯场景应用入手,提出一种基于场景先验及注意力引导的跌倒检测算法。首先,利用电梯历史数据,以高斯概率分布建模的方式从人员的活动轨迹中自动化地学习场景先验信息;随后,把场景先验信息作为空间注意力掩膜与神经网络的全局特征融合,以此聚焦地面区域的局部信息;然后,将融合后的局部特征与全局特征采用自适应加权的方式进一步聚合,从而形成更具鲁棒性和判别力的特征;最后,将特征送入由全局平均池化层和全连接层构成的分类模块中进行跌倒类别预测。在自构建的电梯场景Elevator Fall Detection和公开的UR Fall Detection数据集上的实验结果表明,所提算法的检测准确率分别达到了95.36%和99.01%,相较于网络结构复杂的ResNet50算法,分别提高了3.52个百分点和0.61个百分点。可见所构建的高斯场景先验引导的注意力机制可使网络关注地面区域的特征,更有利于对跌倒的识别,由此得到的检测模型准确率高且算法满足实时性应用要求。
本文提出了一种用于未来自动驾驶场景的虚拟车道技术,旨在突破当前自动驾驶行业的发展瓶颈,并为未来融合飞行汽车交通系统(Flying Car Transportation Systems,FCTS)的自动驾驶场景提供一种创新性技术方案.虚拟车道技术伴随自动驾驶等...
详细信息
本文提出了一种用于未来自动驾驶场景的虚拟车道技术,旨在突破当前自动驾驶行业的发展瓶颈,并为未来融合飞行汽车交通系统(Flying Car Transportation Systems,FCTS)的自动驾驶场景提供一种创新性技术方案.虚拟车道技术伴随自动驾驶等级的提升协同发展,从面向有人驾驶,到面向全智能驾驶,再到面向本文所提出的L6空地全域自动驾驶,从而实现空地一体化交通的愿景.本文结合了自动驾驶、数字孪生、物联网(Internet of Things,IoT)、人工智能(Artificial Intelligence,AI)等各领域的最新技术对虚拟车道技术在每个发展阶段的应用场景和具体实现方法进行了详细介绍以及可行性分析,对自动驾驶行业明晰未来总体发展趋势和关键技术导向具有开创式的启发意义.
暂无评论