公开(公告)号：CN110503063A

公开(公告)日：2019-11-26

申请号：CN201910801481.9

申请日：2019-08-28

Applicant: 东北大学秦皇岛分校

Inventor： 才溪 ,  李溯源 ,  韩光

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06T5/00 ,  G06N3/08

Abstract: 本发明公开了一种基于沙漏卷积自动编码神经网络的跌倒检测方法，包括以下步骤：将采集的图像输入到训练好的沙漏卷积自动编码神经网络中，判断目标是否跌倒；所述的沙漏卷积自动编码神经网络包括沙漏卷积编码器和分类器；其中，沙漏卷积编码器是通过将卷积自动编码器中的卷积层替换为沙漏单元，即沙漏卷积层而获得的；所述的沙漏卷积编码器包括三个沙漏卷积层和三个池化层。本发明通过将卷积自动编码器中的卷积层替换为沙漏单元，使得在复杂视觉任务中，利用沙漏卷积自动编码器神经网络提取视频图像的多尺度特征时，有利于得到信息更加丰富的中间特征，从而提高跌倒检测的准确率。

公开(公告)号：CN116704444A

公开(公告)日：2023-09-05

申请号：CN202310763676.5

申请日：2023-06-27

Applicant: 东北大学秦皇岛分校

Inventor： 李溯源 ,  宋昕 ,  张宇琪 ,  祁浩洋 ,  徐思阳 ,  赵众从 ,  王潇锜

IPC: G06V20/52 ,  G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/084

Abstract: 本发明公开了一种基于级联注意力U‑Net的视频异常事件检测方法，属于视频处理技术领域，由于深度神经网络具有强大的特征提取能力和表征能力，基于深度学习的视频异常事件检测方法被广泛应用。深度神经网络通过大量的实验数据进行训练，无须手工设计特征，将特征提取和模型构建整合在一起，实现端到端的异常事件检测方法。本发明提出了基于级联注意力U‑Net的视频异常事件检测方法，在第一个注意力U‑Net块中结合时间迁移模块作为帧预测模型，第二个和第三个注意力U‑Net级联模块作为帧重构模块，最后结合预测帧和重构帧计算异常分数完成异常事件识别，进一步提升检测性能。

公开(公告)号：CN110503063B

公开(公告)日：2021-12-17

申请号：CN201910801481.9

申请日：2019-08-28

Applicant: 东北大学秦皇岛分校

Inventor： 才溪 ,  李溯源 ,  韩光

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06T5/00 ,  G06N3/08

Abstract: 本发明公开了一种基于沙漏卷积自动编码神经网络的跌倒检测方法，包括以下步骤：将采集的图像输入到训练好的沙漏卷积自动编码神经网络中，判断目标是否跌倒；所述的沙漏卷积自动编码神经网络包括沙漏卷积编码器和分类器；其中，沙漏卷积编码器是通过将卷积自动编码器中的卷积层替换为沙漏单元，即沙漏卷积层而获得的；所述的沙漏卷积编码器包括三个沙漏卷积层和三个池化层。本发明通过将卷积自动编码器中的卷积层替换为沙漏单元，使得在复杂视觉任务中，利用沙漏卷积自动编码器神经网络提取视频图像的多尺度特征时，有利于得到信息更加丰富的中间特征，从而提高跌倒检测的准确率。