深度BiLSTM注意力模型用于视频监控中的空间和时间异常检测.
Sarfaraz Natha1,2, Fareed Ahmed1, Mohammad Siraj3
1Department of Information Technology, Quaid e Awam University, Nawabshah 67450, Pakistan.
Sensors (Basel, Switzerland)
|January 11, 2025
概括
本研究介绍了复合反复双注意 (CRBA) 模型,用于监控视频中自动检测异常. CRBA模型增强了对异常事件的实时识别,改善了公共安全和安全操作.
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:
- 手动监控越来越多的监控摄像头是一个挑战.
- 自动异常检测系统对于公共安全至关重要.
- 需要实时识别各种异常事件 (事故,火灾等). ) 的情况.
研究的目的:
- 提出复合重复双注意 (CRBA) 模型,用于加强监控视频中的异常检测.
- 为了提高在实时识别异常事件的准确性和效率.
- 解决视频监控分析中的空间和时间挑战.
主要方法:
- 利用DenseNet201进行强大的空间特征提取.
- 采用BiLSTM网络来捕捉跨视频的时间依赖.
- 纳入了多重注意力机制,以关注关键的时空区域.
主要成果:
- 该CRBA模型在检测异常方面表现出高准确度.
- 在中佛罗里达大学 (UCF) 和道路异常数据集 (RAD) 中取得了强的表现.
- 在监控录像中有效区分正常和异常行为.
结论:
- 该CRBA模型提供了改进的异常的检测和分类.
- 提高资源效率,并在关键安全情况下最大限度地减少响应时间.
- 为公共安全和安全操作提供了无价的工具,需要快速,准确的响应.
