基于骨架特征的人体跌倒检测

针对现有基于人体骨架跌倒检测设备要求高的问题,提出了一种基于轻量级OpenPose生成骨架特征的跌倒检测方法。首先,基于轻量级OpenPose网络检测人体关键点,利用人体部分关键点生成边界框,并对关键点坐标进行标准化处理,将边界框的纵横比和标准化后的关键点坐标作为表示人体姿态的特征向量。最后,将人体姿态特征向量作为多层感知机(MLP)的输入,判断人体是否发生跌倒。实验结果表明,基于单目相机采集图片构造的自定义跌倒数据集,网络可以实现98.64%的跌倒检测准确率,并且在CoreTMi5—9300H CPU上达到20fps的检测速度。

基于深度学习的程序性死亡配体-1病理切片辅助诊断系统研究

目的:利用深度学习技术实现对程序性死亡配体-1(PD-L1)病理切片的辅助诊断。方法:通过开发细胞级深度学习定位、分类、识别算法,实现PD-L1病理切片中恶性肿瘤区域的定位与肿瘤细胞的精确检测,开发PD-L1病理切片辅助诊断阅片平台,为病理医生提供快速、准确的PD-L1辅助诊断信息。结果:基于该辅助诊断系统对200例PD-L1病理切片进行测试,系统与病理医师人工判读结果具有较高的一致性(ICC相关系数值为0.927),同时解决了现有PD-L1染色结果辅助判读方法准确性、稳定性与鲁棒性较差的问题。结论:基于深度学习的PD-L1病理切片辅助诊断系统性能整体表现良好,具有较强的客观性,是人工智能辅助诊断的有益探索。