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...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。展开更多
基于高阶奇异值分解(High Order Singular Value Decomposition,HOSVD)降噪的信道预测算法对天线数较少引起的秩不足问题比较敏感,同时也难以应付较大多普勒频移的情况,从而引起信道估计性能和预测性能的急剧下降、损失信道容量.针对这...基于高阶奇异值分解(High Order Singular Value Decomposition,HOSVD)降噪的信道预测算法对天线数较少引起的秩不足问题比较敏感,同时也难以应付较大多普勒频移的情况,从而引起信道估计性能和预测性能的急剧下降、损失信道容量.针对这一问题,提出了一种改进的使用HOSVD降噪的信道预测算法.该算法先利用多输入多输出(Multiple-input Multiple-Output,MIMO)信道固有的空时相关性对采样得到的信道状态信息(Channel State Information,CSI)进行矩阵重排和数据平滑处理,随后基于信道的多维结构特性,使用HOSVD降低噪声的影响,继而重构信道矩阵,最后利用递归最小二乘滤波器对未来时刻的信道状态进行预测.仿真表明,所提算法的估计误差和预测误差性能均明显优于对比算法,这是因为所提算法通过矩阵重排和空时平滑,虚拟地增加了天线数,降低了秩缺失问题对估计和预测精度的影响,从而有效补偿了因误差所致的信道容量的损失.同时,对比天线数和多普勒频移对不同算法性能的影响可见,所提算法也能在大多普勒频移和天线数较少等不利条件下提供较好预测性能和信道容量,具有一定的优越性.展开更多
文摘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。
文摘基于高阶奇异值分解(High Order Singular Value Decomposition,HOSVD)降噪的信道预测算法对天线数较少引起的秩不足问题比较敏感,同时也难以应付较大多普勒频移的情况,从而引起信道估计性能和预测性能的急剧下降、损失信道容量.针对这一问题,提出了一种改进的使用HOSVD降噪的信道预测算法.该算法先利用多输入多输出(Multiple-input Multiple-Output,MIMO)信道固有的空时相关性对采样得到的信道状态信息(Channel State Information,CSI)进行矩阵重排和数据平滑处理,随后基于信道的多维结构特性,使用HOSVD降低噪声的影响,继而重构信道矩阵,最后利用递归最小二乘滤波器对未来时刻的信道状态进行预测.仿真表明,所提算法的估计误差和预测误差性能均明显优于对比算法,这是因为所提算法通过矩阵重排和空时平滑,虚拟地增加了天线数,降低了秩缺失问题对估计和预测精度的影响,从而有效补偿了因误差所致的信道容量的损失.同时,对比天线数和多普勒频移对不同算法性能的影响可见,所提算法也能在大多普勒频移和天线数较少等不利条件下提供较好预测性能和信道容量,具有一定的优越性.
