相关实验视频
Updated: May 23, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.6K
在智能交通系统上利用深度学习方法的优化,用于在行人人行道上检测异常
Sultan Refa Alotaibi1, Fatma S Alrayes2, Mashael Maashi3
1Department of Computer Science, College of Science and Humanities Dawadmi, Shaqra University, Shaqra, Saudi Arabia.
Scientific reports
|May 19, 2025
概括
这项研究引入了一种新的深度学习方法,用于在行人通道中检测异常,以提高城市安全. 通过使用先进的计算机视觉和优化技术,HODLAITS-ADPW模型准确地识别出不寻常的行人行为.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 城市安全系统 城市安全系统
背景情况:
- 在行人区域的异常检测 (AD) 对城市的安全和保障至关重要.
- 现有的方法利用传感器,摄像头和软件来检测异常的行人活动.
- 深度学习 (DL) 提供了在城市环境中增强AD的先进功能.
研究的目的:
- 设计一种新的深度学习方法,用于在行人通道中检测异常 (ADPW).
- 提高在城市行人交通中检测异常的准确性和效率.
- 通过智能交通系统,提高城市整体的安全和保障.
主要方法:
- 开发了利用优化与DL方法在一个智能交通系统与异常检测在行人通道 (HODLAITS-ADPW) 方法.
- 采用了用于图像预处理的中间波器和用于行人识别的增强的YOLOv7物体探测器.
- 采用了驼群算法来进行超参数优化和注意力金字塔卷积神经网络来识别异常.
主要成果:
- 该HODLAITS-ADPW方法在检测行人和异常方面表现出很高的准确性.
- 对行人数据集的实验验证显示,与现有模型相比,性能优越.
- 这种方法有效地提高了城市行人环境中的安全和保障.
结论:
- 拟议的HODLAITS-ADPW方法代表了基于深度学习的行人人行道异常检测的重大进展.
- 这种技术为改善城市安全提供了强大的解决方案.
- 这些发现突显了先进人工智能在智能交通系统中的潜力.
