轻量级的深度学习模型用于基于变压器的犯罪模式识别,具有模拟的回火稀疏性和CNN

科学领域:

• 人工智能的人工智能
• 计算机科学 计算机科学
• 公共安全技术技术

背景情况:

• 公共安全治理需要有效地识别犯罪模式.
• 现有的模型往往有很高的资源消耗,限制了边缘设备的部署.
• 智能预测和案件分类对于有效的犯罪管理至关重要.

研究的目的:

• 提出一个轻量级的深度学习模型,LCRNet,以有效识别犯罪模式.
• 减少犯罪分析中的计算开销和资源消耗.
• 为犯罪预测和分类提供智能支持.

主要方法:

• 一个变压器编码器和一个卷积神经网络 (CNN) 的集成.
• 在变压器的多头自注意机制中引入模拟回火稀疏性 (SAS).
• 优化模型性能以提高准确性和效率.

主要成果:

• 在洛杉矶的真实犯罪数据上,LCRNet的准确率达到了97.76%.
• 在不同的数据集中展示了强大的概括性.
• 废弃研究和可视化证实了SAS在减少计算开销方面的有效性.

结论:

• LCRNet为犯罪模式识别提供了一种实用且高效的解决方案.
• 该模型的轻量级设计使其在资源有限的公共安全环境中的边缘设备上更容易部署.
• 未来的工作重点是提高模型的解释性和适应性.