为了对心理健康自动检测仪目标的反常现象进行检测,研究设计了包含目标检测、目标跟踪和反常行为识别的综合模型。研究设计了基于You Only Look Once 5小型的目标检测模型,并引入卷积注意力模块来进行改进。也设计了基于深度简单在线实...为了对心理健康自动检测仪目标的反常现象进行检测,研究设计了包含目标检测、目标跟踪和反常行为识别的综合模型。研究设计了基于You Only Look Once 5小型的目标检测模型,并引入卷积注意力模块来进行改进。也设计了基于深度简单在线实时跟踪技术的跟踪模型,并引入了Ghost模块来进行改进。研究构建了基于SlowFast结构和特征金字塔的反常行为识别模型。结果显示,检测模型的准确率最大值为98.57%,跟踪模型的曲线下面积为0.987。反常行为识别模型在正常、抹眼泪、打脸和一个地方来回走动的动作上的准确率最大值分别为95.57%、96.17%、96.58%和97.06%。所设计的综合模型具有良好的性能,能够为心理健康自动检测仪目标的反常现象检测提供目标检测、跟踪和行为识别上的技术支持。展开更多
含van der Pol型自激项的单摆系统是典型的自激机械系统,本文研究了该系统的张弛振荡特性.首先通过引入新的时间尺度和变量,把原系统表示成标准的快慢系统.然后基于几何奇异摄动理论,求得系统的慢变流形及其结构,从而证明了张弛振荡解...含van der Pol型自激项的单摆系统是典型的自激机械系统,本文研究了该系统的张弛振荡特性.首先通过引入新的时间尺度和变量,把原系统表示成标准的快慢系统.然后基于几何奇异摄动理论,求得系统的慢变流形及其结构,从而证明了张弛振荡解的存在性,并进一步求得了张弛振荡解及其周期的近似表达式.理论结果表明,发生张弛振荡时,单摆快速通过其平衡位置,而在远离平衡位置的一段区域上停留较长时间,且存在两个分界点把快速运动和慢速运动分隔开.数值算例证明了理论分析的正确性.展开更多
为了识别独居老人的行为,选用NTURGB+D120数据集的23个医疗与日常行为类别的多场景视频作为数据集,并设计了一套高效特征融合策略。该策略改进了SlowFast网络的输入方式,使得改进后的网络能够同时处理输入的两个不同特征的图像序列,实...为了识别独居老人的行为,选用NTURGB+D120数据集的23个医疗与日常行为类别的多场景视频作为数据集,并设计了一套高效特征融合策略。该策略改进了SlowFast网络的输入方式,使得改进后的网络能够同时处理输入的两个不同特征的图像序列,实现向量上的合并融合。实验结果表明,将使用AlphaPose网络获取的骨骼信息嵌入在红、绿、蓝(Red Green Blue,RGB)与红外图像序列中,作为网络输入,并得到行为识别的Top-1准确率与Top-5准确率,分别为91.58%与90.00%,与RGB单特征输入的Slow Fast网络识别的准确率相比较为提升。展开更多
文摘为了对心理健康自动检测仪目标的反常现象进行检测,研究设计了包含目标检测、目标跟踪和反常行为识别的综合模型。研究设计了基于You Only Look Once 5小型的目标检测模型,并引入卷积注意力模块来进行改进。也设计了基于深度简单在线实时跟踪技术的跟踪模型,并引入了Ghost模块来进行改进。研究构建了基于SlowFast结构和特征金字塔的反常行为识别模型。结果显示,检测模型的准确率最大值为98.57%,跟踪模型的曲线下面积为0.987。反常行为识别模型在正常、抹眼泪、打脸和一个地方来回走动的动作上的准确率最大值分别为95.57%、96.17%、96.58%和97.06%。所设计的综合模型具有良好的性能,能够为心理健康自动检测仪目标的反常现象检测提供目标检测、跟踪和行为识别上的技术支持。
文摘含van der Pol型自激项的单摆系统是典型的自激机械系统,本文研究了该系统的张弛振荡特性.首先通过引入新的时间尺度和变量,把原系统表示成标准的快慢系统.然后基于几何奇异摄动理论,求得系统的慢变流形及其结构,从而证明了张弛振荡解的存在性,并进一步求得了张弛振荡解及其周期的近似表达式.理论结果表明,发生张弛振荡时,单摆快速通过其平衡位置,而在远离平衡位置的一段区域上停留较长时间,且存在两个分界点把快速运动和慢速运动分隔开.数值算例证明了理论分析的正确性.
文摘为了识别独居老人的行为,选用NTURGB+D120数据集的23个医疗与日常行为类别的多场景视频作为数据集,并设计了一套高效特征融合策略。该策略改进了SlowFast网络的输入方式,使得改进后的网络能够同时处理输入的两个不同特征的图像序列,实现向量上的合并融合。实验结果表明,将使用AlphaPose网络获取的骨骼信息嵌入在红、绿、蓝(Red Green Blue,RGB)与红外图像序列中,作为网络输入,并得到行为识别的Top-1准确率与Top-5准确率,分别为91.58%与90.00%,与RGB单特征输入的Slow Fast网络识别的准确率相比较为提升。
