一種基于改進的卷積神經(jīng)網(wǎng)絡人體跌倒檢測算法

打開文本圖片集

摘要：文章針對高質(zhì)量公開跌倒數(shù)據(jù)集較少，導致模型泛化能力較弱、檢測準確率低、現(xiàn)有網(wǎng)絡全連接層參數(shù)量過大收斂速度慢的問題，設計了適用于跌倒檢測的遷移學習方法，使用GAP（Global Average-Pooling，GAP）層替換全連接層方法，并在隱藏層加入BN（Batch Normalization，BN）操作，優(yōu)化網(wǎng)絡參數(shù)，設置了多組對比實驗發(fā)現(xiàn)改進的網(wǎng)絡模型在不同的數(shù)據(jù)集上訓練時間相比于之前有所提升，均取得了不錯的效果，使得神經(jīng)網(wǎng)絡既能夠在大規(guī)模圖像數(shù)據(jù)集上學習通用的特征又能夠在公開跌倒數(shù)據(jù)集上學習跌倒特征，增強了網(wǎng)絡的泛化能力。（剩余4445字）