生物启发的Garra Rufa优化辅助深度学习模型用于行人步道上的对象分类
Eunmok Yang1, K Shankar2,3, Sachin Kumar4
1Department of Financial Information Security, Kookmin University, Seoul 02707, Republic of Korea.
Biomimetics (Basel, Switzerland)
|November 24, 2023
概括
这项研究引入了一种新的深度学习模型,用于行人行道安全,使用生物灵感优化来准确检测监控视频中的行人和物体. BGRODL-OC技术增强了计算机视觉应用中的自动异常识别.
科学领域:
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
- 人工智能的人工智能
背景情况:
- 在行人区域检测物体对于安全至关重要,但手动标记异常行为是繁的.
- 深度学习 (DL) 的进步为自动化监控系统提供了潜力.
- 计算机视觉 (CV) 研究人员需要有效的物体检测和分类方法.
研究的目的:
- 设计一个生物灵感的Garra rufa优化辅助的深度学习模型用于行人通道上的对象分类 (BGRODL-OC).
- 在监控视频中识别行人和物体的存在.
- 为了增强CV中的自动异常识别.
主要方法:
- 使用GhostNet特征提取器来生成特征向量.
- 采用Garra rufa优化 (GRO) 算法进行超参数调整.
- 实现了基于注意力的长期短期记忆 (ALSTM) 网络,用于对象分类.
主要成果:
- BGRODL-OC技术在行人行道上的物体分类方面表现出卓越的性能.
- 实验分析验证了拟议方法的有效性.
- 在检测行人和物体方面,BGRODL-OC算法表现优于现有的方法.
结论:
- BGRODL-OC技术为行人监控中的自动物体检测和分类提供了有效的解决方案.
- 这种方法显著提高了异常检测系统的效率和准确性.
- 该研究强调了生物灵感优化与深度学习相结合的潜力,以增强安全关键领域的CV应用.
