Unsupervised machine learning voor objectiviteit, privacy en minder data Machine learning helpt patronen in big data te ontdekken die leiden tot bruikbare inzichten. Zoals eerder besproken zijn machine learning algoritmen in grote lijnen te verdelen in twee groepen gebaseerd op de manier waarop zij leren over data om voorspellingen te doen, namelijk supervised machine learning (SML) en unsupervised machine learning
Methoden voor valdetectie Systemen pogen om valdetectie zo goed mogelijk uit te voeren, waarbij Human Pose Estimation vaak een belangrijke rol speelt. In dit artikel bespreken we een aantal methoden voor valdetectie die verschillende systemen gebruiken. Background subtraction De meeste vision-based valdetectie systemen gebruiken een vorm van background subtraction om ten eerste onderscheid te maken tussen de persoon en de
Moeilijkheden bij valdetectie voor ouderen Valdetectie voor ouderen brengt een aantal moeilijkheden met zich mee. Ten eerste moet duidelijk gemaakt worden wanneer een persoon precies als gevallen wordt aangemerkt. Ten tweede moeten diverse obstakels overwonnen worden die de detectie bemoeilijken. De definitie van een val Om een val te detecteren moet eerst bepaald worden wat wordt verstaan onder een val.
Het belang van video gebaseerde valdetectie voor ouderen Binnen de ouderenzorg is de detectie van een val van groot belang, want vallen zijn zeer schadelijk voor ouderen. Onder de mensen van 65 jaar en ouder ervaart zo’n een op de drie een val, en velen van hen vallen elk jaar minstens een keer. Rond de twintig procent van de vallen
Kunstmatige hulpverpleegkundige: Tracking en Human Pose Estimation in de ouderenzorg Het aantal ouderen en het tekort aan geschoolde zorg nemen drastisch toe, terwijl steeds meer verpleegkundigen overwerkt raken. Kunstmatige intelligentie in de vorm van Tracking en Human Pose Estimation kunnen hier een oplossing vormen. Een van de meest functionele innovaties op het gebied van computer visie is real time video
4 manieren waarop AI de ouderenzorg zal revolutionaliseren Wereldwijd neemt het aantal ouderen sneller toe dan iedere andere leeftijdsgroep. Binnen iets meer dan dertig jaar zal bijna een op de vier mensen zestig jaar of ouder zijn; het dubbele van vandaag de dag. Het is dan ook niet verrassend dat belanghebbenden in de gezondheidszorg begrijpen hoe ingrijpend de zorg voor
2D en 3D datasets voor Human Pose Estimation Om met behulp van kunstmatige intelligentie iets zinnigs te zeggen over de poses van mensen in beelden, moeten de algoritmen getraind worden aan de hand van datasets. Hierbij een korte introductie van een aantal veelgebruikte datasets voor 2D en 3D Human Pose Estimation. Datasets voor 2D Human Pose Estimation MPII: De MPII
Deep learning methode voor Human Pose Estimation: Regional Multi-Person Pose Estimation Zoals we in de afgelopen twee posts hebben besproken is Human Pose Estimation een grote uitdaging voor computervisie. Het herkennen van de pose van meerdere personen in real-life is namelijk een stuk complexer dan het herkennen van de pose van een enkel persoon in een afbeelding. Ondanks het feit
Deep learning methode voor Human Pose Estimation: DeepCut DeepCut is net als het vorige keer besproken OpenPose een deep learning methode voor Human Pose Estimation. Deze methode voert gelede Human Pose Estimation uit voor meerdere mensen in echte beelden. Het is een benadering die gezamenlijk de uitdagingen van detectie en Pose Estimation oplost. DeepCut leidt het aantal personen in een
Deep learning methode voor Human Pose Estimation: OpenPose Realtime Multi-Person 2D Pose Estimation is een belangrijk onderdeel om machines een begrip te laten hebben van mensen in afbeeldingen en video’s. Human Estimation heeft zich primair gefocust op het vinden van lichaamsdelen van individuen. Het afleiden van de pose van meerdere mensen in beelden gaat gepaard met een unieke set uitdagingen.