相关实验视频
Updated: Jul 9, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
406
基于3D卷积神经网络的异常检测,结合卷积块注意模块,使用合并合
In-Chang Hwang1, Hyun-Soo Kang1
1Department of Information and Communication Engineering, School of Electrical and Computer Engineering, Chungbuk National University, Cheongju-si 28644, Republic of Korea.
Sensors (Basel, Switzerland)
|December 9, 2023
概括
这项研究引入了一种新的深度学习模型,用于检测视频中的暴力行为,其性能优于现有的方法. 该方法有效地解决了用于实时视频监控的异常检测数据集的挑战.
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:
- 暴力犯罪的增加需要先进的监视能力.
- 闭路电视 (CCTV) 系统对于实时情况分析至关重要.
- 在视频中检测异常面临着由于数据集不平衡 (正常与异常事件) 的挑战.
研究的目的:
- 开发一种有效的异常检测模型,用于识别视频中的暴力行为.
- 为了应对视频数据集中有限的异常事件数据的挑战.
- 为了改善公共安全的实时视频监控系统.
主要方法:
- 异常检测被定义为一个二进制分类问题,使用数据集,如UBI-Fights,RWF-2000,UCSD Ped1/Ped2.
- 视频被重建成图像补丁 (例如,3x3,4x4),模仿光场和视觉变压器输入.
- 使用了一个3D卷积残余神经网络 (ResNet) 与卷积块注意模块 (CBAM).
主要成果:
- 与现有方法相比,拟议的模型在检测异常行为方面表现出卓越的性能.
- 在UBI-Fights数据集上,该模型实现了高精度 (0.9933),低损失 (0.0010) 和优秀的AUC (0.9973).
- 该模型实现了0.0027的等错率 (EER),表明了强大的检测能力.
结论:
- 开发的模型在检测视频流中的暴力行为方面取得了重大进展.
- 这项研究有助于增强人工智能系统的实时视频监控和预防犯罪.
- 这些发现对通过智能监控解决方案改善公共安全具有实际意义.
