| Dưới đây là **kế hoạch hoàn chỉnh phiên bản mạnh hơn** cho paper phát hiện té ngã, có dataset link, mô tả dataset, method lấy từ các paper khác, proposed method, thí nghiệm, bảng kết quả và lộ trình chạy. |
|
|
| # 1. Hướng paper chốt |
|
|
| ## Tên paper đề xuất |
|
|
| **DynaFall: Robust Skeleton-Based Fall Detection via Keypoint Dynamics and Graph-Based Benchmarking** |
|
|
| Tên này tốt hơn tên cũ vì nó thể hiện 2 điểm: |
|
|
| 1. Có **model riêng**: DynaFall. |
| 2. Có **benchmark với các method mạnh từ paper khác**: ST-GCN, 2s-AGCN, CTR-GCN, PoseC3D, TCNTE-style. |
|
|
| Ý tưởng chính: |
|
|
| ```text |
| RGB Video |
| → YOLO Pose |
| → 17-keypoint skeleton sequence |
| → Joint / Bone / Dynamics features |
| → Compare with strong skeleton methods |
| → Proposed DynaFall-GCN |
| → Fall / Non-fall |
| ``` |
|
|
| Paper sẽ không còn đơn giản là “dùng CNN/LSTM/Transformer để phân loại té ngã”, mà thành: |
|
|
| > Một framework phát hiện té ngã dựa trên skeleton, chạy lại các method skeleton action recognition mạnh trên cùng dataset, sau đó đề xuất model chuyên biệt cho fall detection bằng keypoint dynamics và confidence-aware dropout. |
|
|
| --- |
|
|
| # 2. Dataset dùng trong paper |
|
|
| Tôi khuyên dùng **2 dataset chính + 1 dataset backup/extension**. |
|
|
| ## Dataset chính 1: UR Fall Detection Dataset — URFD |
|
|
| **Link dataset:** UR Fall Detection Dataset. ([Fenix][1]) |
|
|
| **Mô tả:** URFD gồm **70 sequences**, trong đó có **30 fall sequences** và **40 activities of daily living — ADL sequences**. Fall events được ghi bằng **2 Microsoft Kinect cameras** kèm dữ liệu accelerometer; ADL events được ghi bằng camera 0 và accelerometer. ([Fenix][1]) |
|
|
| **Vì sao nên dùng:** |
|
|
| * Nhỏ, dễ chạy nhanh. |
| * Rất phổ biến trong fall detection. |
| * Phù hợp để debug pipeline trước. |
| * Có RGB video để trích xuất YOLO pose. |
|
|
| **Vai trò trong paper:** |
|
|
| ```text |
| Dataset kiểm tra nhanh + benchmark chính. |
| ``` |
|
|
| --- |
|
|
| ## Dataset chính 2: Multiple Cameras Fall Dataset — MCFD |
|
|
| **Link dataset:** Multiple Cameras Fall Dataset. ([Iro Montéal][2]) |
|
|
| **Mô tả:** MCFD có **24 scenarios** được ghi bằng **8 IP video cameras**. **22 scenarios đầu** chứa fall và các sự kiện gây nhầm lẫn; **2 scenarios cuối** chỉ chứa các sự kiện gây nhầm lẫn. ([Iro Montéal][2]) |
|
|
| **Vì sao nên dùng:** |
|
|
| * Có nhiều góc camera. |
| * Phù hợp để kiểm tra robustness. |
| * Paper nhìn mạnh hơn URFD-only. |
| * Có các tình huống dễ gây nhầm: ngồi, cúi, nằm, chuyển động gần giống fall. |
|
|
| **Vai trò trong paper:** |
|
|
| ```text |
| Dataset kiểm tra multi-view + robustness. |
| ``` |
|
|
| --- |
|
|
| ## Dataset backup/extension: UP-Fall Detection Dataset |
|
|
| **Link dataset:** UP-Fall / Challenge UP data page. ([Google Sites][3]) |
|
|
| **Mô tả:** Trang Challenge UP mô tả UP-Fall là dataset lớn cho fall detection, gồm **11 activities**, **3 trials per activity**, thực hiện bởi **12 subjects**, bao gồm 6 hoạt động hằng ngày và 5 kiểu té ngã, thu bằng wearable sensors, ambient sensors và vision devices. ([Google Sites][3]) Paper gốc về UP-Fall cũng nhấn mạnh đây là dataset multimodal cho fall detection và human activity recognition. ([MDPI][4]) |
|
|
| **Khi nào dùng:** |
|
|
| * Nếu MCFD tải khó hoặc xử lý annotation khó. |
| * Nếu muốn paper mạnh hơn và có thêm dataset thứ 3. |
| * Nếu muốn hướng “multimodal dataset nhưng chỉ dùng RGB-derived pose”. |
|
|
| **Khuyến nghị thực tế:** |
| Paper 8 trang cho hội nghị Q4 thì dùng **URFD + MCFD** là đủ. UP-Fall để backup. |
|
|
| --- |
|
|
| # 3. Dataset protocol chốt |
|
|
| Trong paper ghi rõ: |
|
|
| ```text |
| Although some datasets provide depth, accelerometer, or multimodal signals, this study only uses RGB videos to extract human skeleton keypoints. This ensures a consistent vision-based evaluation protocol across all datasets. |
| ``` |
|
|
| Tức là: |
|
|
| | Dataset | Dữ liệu gốc có gì | Mình dùng gì | |
| | ---------------- | ------------------------- | -------------------------- | |
| | URFD | RGB, depth, accelerometer | Chỉ RGB → YOLO Pose | |
| | MCFD | Multi-camera RGB video | RGB → YOLO Pose | |
| | UP-Fall nếu dùng | wearable, ambient, vision | Chỉ RGB/vision → YOLO Pose | |
|
|
| Điểm này rất quan trọng để reviewer thấy so sánh công bằng. |
|
|
| --- |
|
|
| # 4. Proposed method |
|
|
| ## Tên model |
|
|
| **DynaFall-GCN** |
|
|
| ## Ý tưởng |
|
|
| Model của mình không chỉ dùng skeleton thô, mà có 3 stream: |
|
|
| ```text |
| Stream 1: Joint stream |
| - x, y, confidence của 17 keypoints |
| |
| Stream 2: Bone stream |
| - vector xương giữa các keypoints |
| |
| Stream 3: Dynamics stream |
| - velocity |
| - acceleration |
| - torso angle |
| - hip drop |
| - body aspect ratio |
| - center-of-body motion |
| ``` |
|
|
| Sau đó dùng: |
|
|
| ```text |
| Graph-temporal encoder |
| + confidence-aware keypoint dropout |
| + classification head |
| ``` |
|
|
| --- |
|
|
| # 5. Pipeline tổng thể |
|
|
| ```text |
| Input RGB Video |
| ↓ |
| Frame Sampling |
| T = 32 frames |
| ↓ |
| YOLOv8/YOLO11 Pose Extraction |
| 17 COCO keypoints per frame |
| ↓ |
| Pose Normalization |
| bbox-centered normalization |
| ↓ |
| Feature Construction |
| joint + bone + dynamics |
| ↓ |
| Comparative Methods |
| ST-GCN / 2s-AGCN / CTR-GCN / PoseC3D / TCNTE-style |
| ↓ |
| Proposed DynaFall-GCN |
| joint stream + bone stream + dynamics stream |
| ↓ |
| Robustness Evaluation |
| missing keypoints / lower-body occlusion / low-confidence mask |
| ↓ |
| Fall / Non-fall Prediction |
| ``` |
|
|
| --- |
|
|
| # 6. Các method từ paper khác để chạy lại |
|
|
| Đây là phần giúp paper “hay hơn” và không bị đơn giản. |
|
|
| ## 6.1 LSTM baseline |
|
|
| Dùng để kiểm tra sequence baseline. |
|
|
| Input: |
|
|
| ```text |
| 32 frames × 17 keypoints × 3 |
| → flatten |
| → 32 × 51 |
| ``` |
|
|
| Vai trò: |
|
|
| ```text |
| Basic temporal baseline. |
| ``` |
|
|
| --- |
|
|
| ## 6.2 ST-GCN |
|
|
| **Paper:** Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition, AAAI 2018. |
|
|
| ST-GCN mô hình hóa skeleton như một graph không-thời gian, trong đó keypoints là nodes, bones là edges, và mô hình học cả quan hệ không gian giữa khớp và quan hệ thời gian giữa frames. ([AAAI Publications][5]) |
|
|
| Áp dụng vào paper: |
|
|
| ```text |
| Input: N × C × T × V × M |
| C = 3 |
| T = 32 |
| V = 17 |
| M = 1 |
| Output = Fall / Non-fall |
| ``` |
|
|
| Vai trò: |
|
|
| ```text |
| Classic graph-based skeleton baseline. |
| ``` |
|
|
| --- |
|
|
| ## 6.3 2s-AGCN |
|
|
| **Paper:** Two-Stream Adaptive Graph Convolutional Networks for Skeleton-Based Action Recognition, CVPR 2019. |
|
|
| 2s-AGCN mạnh hơn ST-GCN vì graph topology có thể được học thích nghi, không cố định hoàn toàn. Method này cũng dùng hai stream: **joint stream** và **bone stream**, trong đó bone stream chứa thông tin độ dài và hướng xương. ([arXiv][6]) |
|
|
| Áp dụng: |
|
|
| ```text |
| Joint stream: keypoint coordinates |
| Bone stream: bone vectors |
| Final prediction: score fusion |
| ``` |
|
|
| Vai trò: |
|
|
| ```text |
| Adaptive graph + bone information baseline. |
| ``` |
|
|
| --- |
|
|
| ## 6.4 CTR-GCN |
|
|
| **Paper:** Channel-wise Topology Refinement Graph Convolution for Skeleton-Based Action Recognition, ICCV 2021. |
|
|
| CTR-GCN học graph topology theo từng channel, giúp mô hình học các quan hệ khớp khác nhau cho từng loại feature. Đây là một baseline GCN mạnh cho skeleton action recognition. ([arXiv][7]) |
|
|
| Áp dụng: |
|
|
| ```text |
| Input: joint + bone skeleton sequence |
| Graph: COCO 17-keypoint topology |
| Output: Fall / Non-fall |
| ``` |
|
|
| Vai trò: |
|
|
| ```text |
| Strong graph-based baseline. |
| ``` |
|
|
| --- |
|
|
| ## 6.5 PoseC3D / PoseConv3D |
|
|
| **Paper:** Revisiting Skeleton-based Action Recognition, CVPR 2022. |
|
|
| PoseC3D/PoseConv3D không dùng graph sequence trực tiếp, mà chuyển pose thành **3D heatmap volume**. Paper gốc cho rằng cách này hiệu quả hơn trong học spatiotemporal features, robust hơn với pose estimation noise và generalize tốt hơn trong cross-dataset settings. ([CVF Open Access][8]) |
|
|
| Áp dụng: |
|
|
| ```text |
| YOLO keypoints |
| → 3D pose heatmap volume |
| → 3D CNN |
| → Fall / Non-fall |
| ``` |
|
|
| Vai trò: |
|
|
| ```text |
| Heatmap-based skeleton baseline. |
| ``` |
|
|
| --- |
|
|
| ## 6.6 TCNTE-style |
|
|
| **Paper:** Real-time skeleton-based fall detection algorithm based on Temporal Convolutional Networks and Transformer Encoder, 2025. |
|
|
| TCNTE kết hợp **Temporal Convolutional Network** với **Transformer Encoder** cho fall detection thời gian thực, dùng YOLOv8 pose extraction, BoT-SORT tracking, và weighted focal loss để xử lý mất cân bằng lớp. ([ScienceDirect][9]) |
|
|
| Áp dụng: |
|
|
| ```text |
| TCN + Transformer Encoder |
| Input: skeleton sequence |
| Loss: weighted focal loss |
| Output: Fall / Non-fall |
| ``` |
|
|
| Vai trò: |
|
|
| ```text |
| Recent fall-specific temporal baseline. |
| ``` |
|
|
| --- |
|
|
| # 7. Bảng method chính trong paper |
|
|
| Nên đưa bảng này vào phần **Experimental Setup**. |
|
|
| | Method | Loại | Nguồn gốc | Input | Vai trò | |
| | ---------------- | ----------------- | ------------------- | ----------------------- | --------------------------- | |
| | LSTM | Sequence model | baseline phổ biến | joint sequence | baseline cơ bản | |
| | ST-GCN | Graph-based | AAAI 2018 | joint graph | skeleton baseline kinh điển | |
| | 2s-AGCN | Adaptive GCN | CVPR 2019 | joint + bone | baseline mạnh hơn ST-GCN | |
| | CTR-GCN | Refined GCN | ICCV 2021 | joint + bone | strong GCN baseline | |
| | PoseC3D | Heatmap 3D CNN | CVPR 2022 | pose heatmap | khác hướng GCN | |
| | TCNTE-style | TCN + Transformer | fall detection 2025 | skeleton sequence | fall-specific baseline | |
| | **DynaFall-GCN** | Proposed | ours | joint + bone + dynamics | model chính | |
|
|
| --- |
|
|
| # 8. Điểm mới của DynaFall-GCN so với các method kia |
|
|
| | Thành phần | ST-GCN | 2s-AGCN | CTR-GCN | PoseC3D | TCNTE | DynaFall-GCN | |
| | --------------------------------- | -------------- | -------------- | -------------- | --------------- | ------------------------- | ------------ | |
| | Joint stream | Có | Có | Có | Heatmap | Có | Có | |
| | Bone stream | Không | Có | Có | Không trực tiếp | Không rõ | Có | |
| | Velocity/Acceleration | Không | Không | Không | Không trực tiếp | Có thể có motion temporal | Có rõ | |
| | Torso angle | Không | Không | Không | Không | Không | Có | |
| | Hip drop | Không | Không | Không | Không | Không | Có | |
| | Body aspect ratio | Không | Không | Không | Không | Không | Có | |
| | Confidence-aware dropout | Không | Không | Không | Không | Không rõ | Có | |
| | Robustness test missing keypoints | Không bắt buộc | Không bắt buộc | Không bắt buộc | Có thể robust | Không bắt buộc | Có | |
|
|
| Thông điệp chính: |
|
|
| > Các method skeleton action recognition mạnh học action nói chung, còn DynaFall-GCN đưa thêm fall-specific dynamics và robustness training để phù hợp hơn với bài toán té ngã. |
|
|
| --- |
|
|
| # 9. Chi tiết xử lý dữ liệu |
|
|
| ## Step 1: Download dataset |
|
|
| Tải: |
|
|
| 1. **URFD** từ trang chính thức. ([Fenix][1]) |
| 2. **MCFD** từ trang dataset của Université de Montréal. ([Iro Montéal][2]) |
| 3. **UP-Fall** chỉ dùng nếu cần backup hoặc mở rộng. ([Google Sites][3]) |
|
|
| --- |
|
|
| ## Step 2: Chuẩn hóa thư mục |
|
|
| ```text |
| fall_project/ |
| ├── data/ |
| │ ├── raw/ |
| │ │ ├── URFD/ |
| │ │ ├── MCFD/ |
| │ │ └── UPFall_optional/ |
| │ ├── poses/ |
| │ ├── clips/ |
| │ └── splits/ |
| ├── src/ |
| ├── configs/ |
| ├── results/ |
| └── paper/ |
| ``` |
|
|
| --- |
|
|
| ## Step 3: Trích xuất pose |
|
|
| Dùng: |
|
|
| ```text |
| YOLOv8n-pose hoặc YOLO11n-pose |
| ``` |
|
|
| Output mỗi frame: |
|
|
| ```text |
| 17 keypoints × 3 |
| x, y, confidence |
| ``` |
|
|
| Nếu có nhiều người trong frame: |
|
|
| ```text |
| Chọn người có bbox lớn nhất. |
| ``` |
|
|
| Lý do: |
|
|
| ```text |
| Fall datasets thường chỉ có một subject chính. |
| ``` |
|
|
| --- |
|
|
| ## Step 4: Normalize keypoints |
|
|
| Với mỗi frame: |
|
|
| ```text |
| x_norm = (x - bbox_center_x) / bbox_width |
| y_norm = (y - bbox_center_y) / bbox_height |
| confidence giữ nguyên |
| ``` |
|
|
| Output: |
|
|
| ```text |
| T × 17 × 3 |
| ``` |
|
|
| Trong đó: |
|
|
| ```text |
| T = 32 frames |
| ``` |
|
|
| --- |
|
|
| ## Step 5: Tạo clip |
|
|
| Dùng: |
|
|
| ```text |
| clip length = 32 frames |
| stride = 16 |
| ``` |
|
|
| Nếu video ngắn: |
|
|
| ```text |
| uniform sampling hoặc padding frame cuối |
| ``` |
|
|
| Quan trọng: |
|
|
| ```text |
| Chia train/val/test theo video trước, rồi mới tạo clip. |
| Không random clip trực tiếp vì sẽ leak dữ liệu. |
| ``` |
|
|
| --- |
|
|
| # 10. Feature engineering cho proposed model |
|
|
| ## 10.1 Joint features |
|
|
| ```text |
| x, y, confidence |
| ``` |
|
|
| Shape: |
|
|
| ```text |
| 32 × 17 × 3 |
| ``` |
|
|
| --- |
|
|
| ## 10.2 Bone features |
|
|
| Dựa trên COCO skeleton edges: |
|
|
| ```text |
| bone_vector = child_joint - parent_joint |
| ``` |
|
|
| Các cạnh chính: |
|
|
| ```text |
| nose-eye-ear |
| shoulder-elbow-wrist |
| shoulder-hip |
| hip-knee-ankle |
| left-right shoulder |
| left-right hip |
| ``` |
|
|
| Shape: |
|
|
| ```text |
| 32 × 17 × 3 |
| ``` |
|
|
| --- |
|
|
| ## 10.3 Dynamics features |
|
|
| Tạo thêm: |
|
|
| ```text |
| velocity = p_t - p_{t-1} |
| acceleration = v_t - v_{t-1} |
| torso angle |
| hip drop |
| body aspect ratio |
| center-of-body velocity |
| ``` |
|
|
| Fall thường có: |
|
|
| ```text |
| torso angle thay đổi nhanh |
| hip y-coordinate tụt nhanh |
| bbox height/width thay đổi |
| center-of-body velocity lớn |
| ``` |
|
|
| Đây là điểm giúp model chuyên biệt cho fall detection. |
|
|
| --- |
|
|
| # 11. Mô hình DynaFall-GCN |
|
|
| ## Kiến trúc đề xuất |
|
|
| ```text |
| Input skeleton sequence |
| ↓ |
| Confidence-aware keypoint dropout |
| ↓ |
| Joint GCN branch |
| ↓ |
| Bone GCN branch |
| ↓ |
| Dynamics temporal branch |
| ↓ |
| Feature fusion |
| ↓ |
| MLP classifier |
| ↓ |
| Fall / Non-fall |
| ``` |
|
|
| ## Chi tiết 3 branch |
|
|
| ### Branch 1: Joint GCN |
|
|
| Học quan hệ giữa các khớp. |
|
|
| ```text |
| Input: normalized joint coordinates |
| Encoder: lightweight ST-GCN / graph-temporal block |
| ``` |
|
|
| ### Branch 2: Bone GCN |
|
|
| Học hướng và độ thay đổi của xương. |
|
|
| ```text |
| Input: bone vectors |
| Encoder: graph-temporal block |
| ``` |
|
|
| ### Branch 3: Dynamics branch |
|
|
| Học các đặc trưng rơi. |
|
|
| ```text |
| Input: velocity, acceleration, torso angle, hip drop, aspect ratio |
| Encoder: TCN + attention pooling |
| ``` |
|
|
| ### Fusion |
|
|
| ```text |
| f = concat(f_joint, f_bone, f_dyn) |
| logits = MLP(f) |
| ``` |
|
|
| --- |
|
|
| # 12. Confidence-aware keypoint dropout |
|
|
| Đây là điểm mới dễ viết. |
|
|
| ## Ý tưởng |
|
|
| Trong thực tế, pose estimator có thể mất keypoint do: |
|
|
| ```text |
| che khuất |
| camera góc xấu |
| người nằm sát sàn |
| motion blur |
| ``` |
|
|
| Do đó, khi train, mình chủ động mask keypoints. |
|
|
| ## Cách làm |
|
|
| Nếu confidence thấp: |
|
|
| ```text |
| conf < 0.3 |
| ``` |
|
|
| thì xác suất bị mask cao hơn. |
|
|
| Ví dụ: |
|
|
| ```text |
| high-confidence keypoint: mask probability = 0.1 |
| low-confidence keypoint: mask probability = 0.5 |
| ``` |
|
|
| Khi mask: |
|
|
| ```text |
| x = 0 |
| y = 0 |
| confidence = 0 |
| velocity = 0 |
| acceleration = 0 |
| ``` |
|
|
| --- |
|
|
| # 13. Thí nghiệm cần chạy |
|
|
| ## Experiment 1: Main comparison |
|
|
| Chạy tất cả method trên từng dataset. |
|
|
| ```text |
| URFD train/test |
| MCFD train/test |
| ``` |
|
|
| Bảng: |
|
|
| | Method | URFD Acc | URFD Recall | URFD F1 | MCFD Acc | MCFD Recall | MCFD F1 | |
| | ---------------- | -------: | ----------: | ------: | -------: | ----------: | ------: | |
| | LSTM | | | | | | | |
| | ST-GCN | | | | | | | |
| | 2s-AGCN | | | | | | | |
| | CTR-GCN | | | | | | | |
| | PoseC3D | | | | | | | |
| | TCNTE-style | | | | | | | |
| | **DynaFall-GCN** | | | | | | | |
|
|
| --- |
|
|
| ## Experiment 2: Ablation study |
|
|
| Chỉ chạy trên model của mình. |
|
|
| | Variant | Joint | Bone | Dynamics | Dropout | F1 | Recall | |
| | ------- | ----- | ---- | -------- | ------------------------ | -: | -----: | |
| | A1 | ✓ | | | | | | |
| | A2 | ✓ | ✓ | | | | | |
| | A3 | ✓ | ✓ | ✓ | | | | |
| | A4 | ✓ | ✓ | ✓ | Random dropout | | | |
| | A5 | ✓ | ✓ | ✓ | Confidence-aware dropout | | | |
|
|
| Mục tiêu: |
|
|
| ```text |
| Bone giúp tăng F1. |
| Dynamics giúp tăng Recall. |
| Confidence-aware dropout giúp robustness tốt hơn. |
| ``` |
|
|
| --- |
|
|
| ## Experiment 3: Robustness under missing keypoints |
|
|
| Tạo test set bị mất keypoint: |
|
|
| ```text |
| Clean |
| Missing-10 |
| Missing-20 |
| Missing-30 |
| Upper-body missing |
| Lower-body missing |
| Low-confidence masking |
| ``` |
|
|
| Bảng: |
|
|
| | Method | Clean F1 | Missing-10 | Missing-20 | Missing-30 | Lower-body missing | |
| | ---------------- | -------: | ---------: | ---------: | ---------: | -----------------: | |
| | ST-GCN | | | | | | |
| | 2s-AGCN | | | | | | |
| | CTR-GCN | | | | | | |
| | PoseC3D | | | | | | |
| | TCNTE-style | | | | | | |
| | **DynaFall-GCN** | | | | | | |
|
|
| Đây là bảng nên nhấn mạnh trong paper. |
|
|
| --- |
|
|
| ## Experiment 4: Cross-dataset generalization |
|
|
| ```text |
| Train URFD → Test MCFD |
| Train MCFD → Test URFD |
| ``` |
|
|
| Bảng: |
|
|
| | Train | Test | ST-GCN | 2s-AGCN | CTR-GCN | PoseC3D | TCNTE-style | Ours | |
| | ----- | ---- | -----: | ------: | ------: | ------: | ----------: | ---: | |
| | URFD | MCFD | | | | | | | |
| | MCFD | URFD | | | | | | | |
|
|
| Nếu kết quả thấp cũng không sao. Cross-dataset thường khó. Chỉ cần proposed giảm ít hơn baseline. |
|
|
| --- |
|
|
| ## Experiment 5: Runtime / Efficiency |
|
|
| Báo cáo: |
|
|
| ```text |
| Parameters |
| FLOPs nếu tính được |
| Inference time per clip |
| FPS |
| ``` |
|
|
| Bảng: |
|
|
| | Method | Params | FPS | F1 | |
| | ------------ | -----: | --: | -: | |
| | ST-GCN | | | | |
| | CTR-GCN | | | | |
| | PoseC3D | | | | |
| | TCNTE-style | | | | |
| | DynaFall-GCN | | | | |
|
|
| --- |
|
|
| # 14. Metrics bắt buộc |
|
|
| Dùng: |
|
|
| ```text |
| Accuracy |
| Precision |
| Recall / Sensitivity |
| Specificity |
| F1-score |
| Macro-F1 |
| FPS |
| ``` |
|
|
| Trong fall detection, cần nhấn mạnh: |
|
|
| ```text |
| Recall quan trọng hơn Accuracy vì bỏ sót fall nguy hiểm hơn báo nhầm. |
| ``` |
|
|
| --- |
|
|
| # 15. Training setup |
|
|
| ## Split |
|
|
| Nếu dataset nhỏ: |
|
|
| ```text |
| 5-fold cross-validation |
| ``` |
|
|
| Nếu muốn nhanh: |
|
|
| ```text |
| 70% train |
| 15% validation |
| 15% test |
| ``` |
|
|
| Nhưng phải là: |
|
|
| ```text |
| video-level split |
| ``` |
|
|
| không phải frame-level split. |
|
|
| ## Seeds |
|
|
| Tối thiểu: |
|
|
| ```text |
| 7, 13, 21 |
| ``` |
|
|
| Tốt hơn: |
|
|
| ```text |
| 7, 13, 21, 42, 100 |
| ``` |
|
|
| ## Hyperparameters gợi ý |
|
|
| | Setting | Value | |
| | -------------- | ---------------------------------: | |
| | Clip length | 32 | |
| | Stride | 16 | |
| | Batch size | 16 hoặc 32 | |
| | Epochs | 80–100 | |
| | Optimizer | AdamW | |
| | Learning rate | 1e-3 hoặc 5e-4 | |
| | Weight decay | 1e-4 | |
| | Early stopping | patience 10 | |
| | Loss | CrossEntropy / Weighted Focal Loss | |
|
|
| --- |
|
|
| # 16. Cấu trúc paper 8 trang |
|
|
| ## Title |
|
|
| **DynaFall: Robust Skeleton-Based Fall Detection via Keypoint Dynamics and Graph-Based Benchmarking** |
|
|
| ## Abstract |
|
|
| Nêu 5 ý: |
|
|
| ```text |
| fall detection quan trọng |
| RGB-based methods có privacy/computation issue |
| skeleton-based methods nhẹ hơn nhưng dễ bị pose noise |
| paper benchmark các skeleton methods mạnh |
| đề xuất DynaFall-GCN với dynamics + confidence-aware dropout |
| ``` |
|
|
| ## 1. Introduction |
|
|
| Flow: |
|
|
| ```text |
| Fall detection quan trọng cho elderly care |
| Wearable sensors bất tiện, RGB video có privacy concern |
| Skeleton/keypoints là hướng nhẹ và privacy-preserving |
| Gap: nhiều bài chỉ so baseline đơn giản, ít benchmark method GCN/PoseC3D mạnh trên fall datasets |
| Gap: ít kiểm thử robustness khi mất keypoint |
| Contribution |
| ``` |
|
|
| ## 2. Related Work |
|
|
| Chia 4 phần: |
|
|
| ```text |
| 2.1 Vision-based fall detection |
| 2.2 Skeleton-based action recognition |
| 2.3 Graph-based skeleton models |
| 2.4 Robust fall detection under occlusion |
| ``` |
|
|
| ## 3. Proposed Method |
|
|
| ```text |
| 3.1 Overview |
| 3.2 Pose extraction |
| 3.3 Skeleton normalization |
| 3.4 Joint, bone, and dynamics representation |
| 3.5 Confidence-aware keypoint dropout |
| 3.6 DynaFall-GCN architecture |
| ``` |
|
|
| ## 4. Experiments |
|
|
| ```text |
| 4.1 Datasets |
| 4.2 Comparative methods |
| 4.3 Evaluation protocol |
| 4.4 Implementation details |
| 4.5 Metrics |
| ``` |
|
|
| ## 5. Results and Discussion |
|
|
| ```text |
| 5.1 Main comparison |
| 5.2 Ablation study |
| 5.3 Robustness analysis |
| 5.4 Cross-dataset generalization |
| 5.5 Runtime analysis |
| 5.6 Error analysis |
| ``` |
|
|
| ## 6. Conclusion |
|
|
| Nêu: |
|
|
| ```text |
| DynaFall-GCN hiệu quả và robust |
| skeleton giúp privacy-preserving |
| hạn chế: dataset vẫn là simulated falls |
| future work: real-world elderly care, edge deployment, multimodal fusion |
| ``` |
|
|
| --- |
|
|
| # 17. Figures nên có |
|
|
| ## Figure 1: Overall framework |
|
|
| ```text |
| RGB Video |
| → Pose Extraction |
| → Skeleton Normalization |
| → Joint/Bone/Dynamics Features |
| → Comparative Skeleton Methods |
| → DynaFall-GCN |
| → Fall / Non-fall |
| ``` |
|
|
| ## Figure 2: DynaFall-GCN architecture |
|
|
| ```text |
| Joint Stream |
| Bone Stream |
| Dynamics Stream |
| → Fusion |
| → Classifier |
| ``` |
|
|
| ## Figure 3: Robustness scenarios |
|
|
| ```text |
| Clean skeleton |
| Missing-10 |
| Missing-20 |
| Missing-30 |
| Lower-body occlusion |
| ``` |
|
|
| --- |
|
|
| # 18. Bảng cần có trong paper |
|
|
| Tối thiểu nên có 5 bảng: |
|
|
| ```text |
| Table 1. Dataset statistics |
| Table 2. Main comparison with related methods |
| Table 3. Ablation study |
| Table 4. Robustness under missing keypoints |
| Table 5. Cross-dataset generalization |
| ``` |
|
|
| Nếu thiếu trang thì bỏ Table 5 hoặc đưa vào phụ lục, nhưng **không nên bỏ Table 3 và Table 4**. |
|
|
| --- |
|
|
| # 19. Lộ trình chạy thực nghiệm |
|
|
| ## Phase 1: Dataset + pose extraction |
|
|
| Làm: |
|
|
| ```text |
| Download URFD + MCFD |
| Extract frames |
| Run YOLO pose |
| Save keypoints |
| Visual check skeleton |
| ``` |
|
|
| Output: |
|
|
| ```text |
| URFD_keypoints.pkl |
| MCFD_keypoints.pkl |
| ``` |
|
|
| --- |
|
|
| ## Phase 2: Build clips |
|
|
| Làm: |
|
|
| ```text |
| video-level split |
| 32-frame clips |
| stride 16 |
| normalize skeleton |
| generate joint/bone/dynamics features |
| ``` |
|
|
| Output: |
|
|
| ```text |
| URFD_train.pkl / val.pkl / test.pkl |
| MCFD_train.pkl / val.pkl / test.pkl |
| ``` |
|
|
| --- |
|
|
| ## Phase 3: Chạy baseline dễ trước |
|
|
| Chạy: |
|
|
| ```text |
| LSTM |
| ST-GCN |
| ``` |
|
|
| Mục tiêu: |
|
|
| ```text |
| kiểm tra data pipeline đúng chưa |
| ``` |
|
|
| --- |
|
|
| ## Phase 4: Chạy method từ paper khác |
|
|
| Chạy: |
|
|
| ```text |
| 2s-AGCN |
| CTR-GCN |
| PoseC3D |
| TCNTE-style |
| ``` |
|
|
| --- |
|
|
| ## Phase 5: Chạy proposed |
|
|
| Chạy: |
|
|
| ```text |
| DynaFall-GCN joint only |
| DynaFall-GCN joint + bone |
| DynaFall-GCN joint + bone + dynamics |
| DynaFall-GCN full + confidence-aware dropout |
| ``` |
|
|
| --- |
|
|
| ## Phase 6: Robustness test |
|
|
| Test tất cả model chính trên: |
|
|
| ```text |
| Clean |
| Missing-10 |
| Missing-20 |
| Missing-30 |
| Lower-body missing |
| Low-confidence masking |
| ``` |
|
|
| --- |
|
|
| ## Phase 7: Viết paper |
|
|
| Thứ tự viết nên là: |
|
|
| ```text |
| Method |
| Experiments |
| Results |
| Introduction |
| Related Work |
| Abstract |
| Conclusion |
| ``` |
|
|
| --- |
|
|
| # 20. Bản tối giản nếu thiếu thời gian |
|
|
| Nếu deadline gấp, chỉ làm: |
|
|
| ```text |
| Datasets: |
| URFD + MCFD |
| |
| Methods: |
| LSTM |
| ST-GCN |
| 2s-AGCN |
| CTR-GCN |
| TCNTE-style |
| DynaFall-GCN |
| |
| Bỏ nếu không kịp: |
| PoseC3D |
| Cross-dataset |
| 5 seeds |
| ``` |
|
|
| Nhưng giữ bắt buộc: |
|
|
| ```text |
| Main comparison |
| Ablation |
| Robustness missing keypoints |
| ``` |
|
|
| --- |
|
|
| # 21. Kế hoạch cuối cùng nên theo |
|
|
| Chốt hướng như sau: |
|
|
| ```text |
| Paper title: |
| DynaFall: Robust Skeleton-Based Fall Detection via Keypoint Dynamics and Graph-Based Benchmarking |
| |
| Datasets: |
| URFD + MCFD |
| UP-Fall optional |
| |
| Pose extractor: |
| YOLOv8n-pose hoặc YOLO11n-pose |
| |
| Compared methods: |
| LSTM |
| ST-GCN |
| 2s-AGCN |
| CTR-GCN |
| PoseC3D nếu kịp |
| TCNTE-style |
| |
| Proposed: |
| DynaFall-GCN |
| = joint stream |
| + bone stream |
| + fall-specific dynamics stream |
| + confidence-aware keypoint dropout |
| |
| Experiments: |
| Main results |
| Ablation |
| Robustness |
| Cross-dataset nếu kịp |
| Runtime/FPS |
| |
| Main claim: |
| DynaFall-GCN is a lightweight and privacy-preserving skeleton-based fall detection model that achieves competitive performance and better robustness under missing or unreliable keypoints. |
| ``` |
|
|
| Đây là kế hoạch hợp lý nhất cho hội nghị Q4: **đủ mới, đủ method từ paper khác, đủ thí nghiệm, nhưng vẫn chạy được trong thời gian ngắn**. |
|
|
| [1]: https://fenix.ur.edu.pl/~mkepski/ds/uf.html?utm_source=chatgpt.com "UR Fall Detection Dataset" |
| [2]: https://www.iro.umontreal.ca/~labimage/Dataset/?utm_source=chatgpt.com "Multiple cameras fall dataset" |
| [3]: https://sites.google.com/up.edu.mx/challenge-up-2019/data?utm_source=chatgpt.com "Challenge UP - Data" |
| [4]: https://www.mdpi.com/1424-8220/19/9/1988?utm_source=chatgpt.com "UP-Fall Detection Dataset: A Multimodal Approach" |
| [5]: https://ojs.aaai.org/index.php/aaai/article/view/12328?utm_source=chatgpt.com "Spatial Temporal Graph Convolutional Networks ..." |
| [6]: https://arxiv.org/abs/1805.07694?utm_source=chatgpt.com "Two-Stream Adaptive Graph Convolutional Networks for Skeleton-Based Action Recognition" |
| [7]: https://arxiv.org/abs/2107.12213?utm_source=chatgpt.com "Channel-wise Topology Refinement Graph Convolution for Skeleton-Based Action Recognition" |
| [8]: https://openaccess.thecvf.com/content/CVPR2022/html/Duan_Revisiting_Skeleton-Based_Action_Recognition_CVPR_2022_paper.html?utm_source=chatgpt.com "Related Material - CVPR 2022 Open Access Repository" |
| [9]: https://www.sciencedirect.com/science/article/abs/pii/S1574119225000057?utm_source=chatgpt.com "A Real-time skeleton-based fall detection algorithm ..." |
|
|
