相关实验视频
Updated: Jun 16, 2026
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.7K
针对异常监控和安全系统的智能互补多模式融合
Jae-Hyeok Jeong1, Hwan-Hee Jung2, Yong-Hoon Choi2
1Department of Electronic Information System Engineering, Sangmyung University, Cheonan 31066, Republic of Korea.
Sensors (Basel, Switzerland)
|November 25, 2023
概括
本研究介绍了一种先进的深度学习 (DL) 系统,用于安全异常检测和分类. 多模式融合方法实现了85%的准确性,显著提高了单一模型的性能.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 安全监控系统越来越多地使用人工智能 (AI),但在性能,自动化和效率方面面临挑战.
- 现有的系统在实时准确检测和分类异常方面扎.
研究的目的:
- 提出一个智能异常检测和分类系统,使用深度学习 (DL) 与多模式融合.
- 通过在虚拟环境中创建一个新的数据集来提高异常学习的有效性.
主要方法:
- 开发了一种多式融合方法,将3D卷积自动编码器 (3D-AE) 结合起来用于异常检测和SlowFast神经网络进行分类.
- 利用大盗猎汽车5 (GTA5) 的虚拟环境生成一个由400个异常状态和78个正常状态剪辑组成的合成数据集.
- 在真实世界的攻击数据集上验证了模型,在1300个实例中分类了1100个.
主要成果:
- 拟议的多模式DL方法实现了85%的分类准确度,超过单一分类模型的77.5%准确度.
- 该系统在真实世界的数据上表现出了强大的性能,在分类攻击事件中达到83.5%的准确性.
- 使用GTA5生成的合成数据集在补充异常学习的现实数据方面被证明是有效的.
结论:
- 多模式融合DL技术显著提高了安全监控中的异常检测和分类.
- 使用像GTA5这样的虚拟环境为创建各种数据集以训练AI安全系统提供了可行的解决方案.
- 拟议的系统显示了在改善安全效率和性能方面,在现实世界中应用的巨大潜力.
