XiaoMi-AI文件搜索系统
World File Search SystemPosenet
与人工智能共舞 - 一个互动的舞蹈学习平台
表 1 显示了基于某些参数的不同姿势估计技术之间的比较。我们可以看到，OpenPose 算法获得的准确度最高，但由于其 CNN 模型较重，获得的 fps 相当低，而对于 Posenet 算法，我们获得了良好的 fps，因为它 x 没有 x 多阶段架构，x 还使用轻量级 x CNN 模型。BlazePose 是另一种很好的姿势估计算法，因为它在姿势估计期间获得了准确度和 fps 的良好平衡。我们决定在这三个中选择 Blazepose，因为 Openpose 没有给我们提供良好的 fps，而 Posenet 仅考虑 17 个身体关键点进行检测，而 Blazepose 有 33 个，并且在我们的应用中，我们需要一种可以为单人姿势估计提供良好结果的算法，Blazepose 主要关注这一点，它还给出规范化坐标作为输出，而在其他算法中，我们明确需要对它们进行规范化以进行进一步处理。
基于人工智能的紧急情况识别计算机系统
摘要 目前，人工智能的应用已渗透到生活的方方面面。除了协助智力工作、解决复杂的计算问题或分析各种类型的数据外，上述技术还可应用于为人们提供安全保障的过程中。本文提出了一种基于人工智能的紧急识别系统，旨在及时发现和通报危险情况。所提出的解决方案将人的“举手”姿势视为紧急情况，表明存在潜在危险。因为人们在面临潜在危险时，大多会被迫举起双手，这种姿势会引起注意，强调对某些事件的情绪反应，通常被用作危险的标志或征服的手段。系统应识别人的姿势，检测它，并随后通报威胁。本文提出了一种基于人工智能的紧急情况识别系统，使用 PoseNet 机器学习模型检测人体姿势“举手”以进行紧急情况识别。假设仅使用 6 个关键点可以减少系统的计算资源，因为结论是在考虑较少数据量的情况下得出的。为了进行研究，创建了一个包含 1510 张图像的数据集来训练人工智能模型，并验证了决策。使用监督机器学习方法对紧急情况的定义进行分类。替代方法：基于准确性的支持向量机、逻辑回归、朴素贝叶斯分类器、判别分析分类器和 K-最近邻分类器进行了评估。总体而言，本文提出了一种全面而创新的紧急情况识别方法，可使用所提出的系统快速响应紧急情况。