有条件的合作培训,用于半监督武器检测
Jose L Salazar González1, Juan A Álvarez-García1, Fernando J Rendón-Segador1
1Dpto. de Lenguajes y Sistemas Informáticos, Universidad de Sevilla, Spain.
概括
新的半监督学习模型使用闭路电视 (CCTV) 镜头来增强武器检测. 这种方法显著提高了识别枪支的准确性,可能减少暴力事件中的伤亡人数.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 暴力袭击和大规模枪击是持续存在的全球问题,每年受害者数量不断增加.
- 封闭式电路电视 (CCTV) 系统通过先进的监控技术为减少犯罪提供了潜在的途径.
- 现有的通用物体探测器看起来很有前途,但需要专门的培训才能有效识别武器.
研究的目的:
- 开发和评估一种新的半监督学习方法,用于使用CCTV改进武器检测.
- 为更有效的模型培训和评估引入新的枪支图像数据集.
- 将拟议的方法与现有的监督,半监督和自我监督的学习技术进行比较.
主要方法:
- 一个半监督的学习框架,利用有条件的合作学生-教师培训.
- 通过一种新的信任值搜索方法,实现最佳的伪标签生成.
- 有条件的知识转移,以增强学生和教师的模式.
- 创建和利用一个大规模的枪支图像数据集 (458,599张图像) 来自Instagram标签.
主要成果:
- 拟议的半监督方法显著超过了几种最先进的物体检测模型.
- 与YOLOv5m相比,观察到平均精度 (AP) 的改善,达到19.86%以上.
- 该方法在与无偏教师,DETReg和UP-DETR模型相比显示出更高的性能.
- 评估强调了使用专用枪支数据集的好处,而不是像ImageNet.Net这样的一般数据集.
结论:
- 开发的半监督学习方法在武器检测能力方面取得了重大进展.
- 新的方法和专用数据集有助于在监视中更准确,更可靠地识别枪支.
- 这项技术有可能通过改进的CCTV分析来提高公共安全并减少枪支暴力.
