使用入侵图像数据集进行周边入侵检测的新型机器学习模型
Shahneela Pitafi1, Toni Anwar1, I Dewa Made Widia2
1Computer & Information Sciences Department (CISD), Universiti Teknologi PETRONAS, Bandar Seri Iskandar, Perak, Malaysia.
PloS one
|December 19, 2024
概括
一个新的机器学习模型增强了周边入侵检测系统 (PIDS),以提高准确性. 开发的系统可以更好地检测和分类周边入侵,提高安全性.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 安全系统安全系统
背景情况:
- 周边入侵检测系统 (PIDS) 对于物理安全至关重要.
- 目前的PIDS在检测准确性和活动分类方面面临挑战.
研究的目的:
- 开发一个改进的机器学习模型用于PIDS.
- 提高入侵检测和活动分类的效率和准确性.
主要方法:
- 在入侵图像数据集上使用InceptionV3进行特征提取.
- 应用t-SNE用于缩小维度和聚类.
- 改进了使用曼哈顿距离进行epsilon估计的应用程序的基于密度的空间聚类 (DBSCAN) 算法.
主要成果:
- 拟议的模型实现了0.86.6的轮得分.
- 与最先进的技术相比,证明了卓越的性能.
- 成功地解决了DBSCAN的局限性,使用高维和不同密度的数据.
结论:
- 改进后的模型显著提高了周边入侵检测准确性和分类.
- 通过更好的周边保护,有助于增强社会安全.
- 提供了从图像数据集识别人类活动的未来研究的基础.
