A Parallel Network Architecture for Automatic Slip Detection Task in Human-Centered Footwear Test
Notice bibliographique
Résumé
Slips and falls are significant public health concerns, making slip-resistant footwear an essential component of prevention. This study aimed to develop an automated slip detection algorithm, designed to replace human observers in human-centered footwear testing protocols and provide a proof of concept for future real-world assessment. A parallel network architecture was proposed to classify videos into slip and no slip events, consisting of two distinct models: Inflated 3D convolutional neural networks (I3D) and Multiscale Vision Transformer (MViT). The two models operate in parallel, independently processing the input video data to capture diverse temporal and spatial features. To optimize the network, predictions from each model are aggregated by fusing their losses using a weighted averaging mechanism, ensuring a balanced contribution during training. The proposed approach was evaluated using two cross-validation techniques: 5-fold and Leave-One-Subject-Out (LOSO) to assess both overall performance and generalizability across subjects. Our proposed parallel network achieved the highest performance in both cross-validation techniques, with an accuracy of 94.63% ± 1.39% (5-fold) and 93.37% ± 3.02% (LOSO), and an F1 score of 94.33% ± 1.46% (5-fold) and 93.02% ± 2.93% (LOSO) on unseen test data. Notably, it outperformed standalone I3D and MViT models by approximately 7% and 4%, respectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».