TSLNet:一个分层的多头注意力支持的双流LSTM网络,用于准确的行人跟踪和行为识别
Shouye Lv1, Rui He1, Xiaofei Cheng1
1Xiangjiaba Hydropower Plant, Yibin, China.
Frontiers in neurorobotics
|November 5, 2025
概括
TSLNet是一种新的分层多头注意力启用双流LSTM网络,增强了行人跟踪和行为识别. 这种先进的模型在复杂的环境中表现出色,改善了监控和智能运输系统.
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:
- 准确的行人跟踪和行为识别对于智能监控,智能运输和人机交互至关重要.
- 现实世界的视频数据提出了诸如环境变化,高密度人群和各种行人运动等挑战.
研究的目的:
- 推出TSLNet,一个分层的多头注意力启用的双流LSTM网络.
- 在复杂和动态的环境中改进行人跟踪和行为识别.
主要方法:
- TSLNet集成了一个双流卷积神经网络 (双流CNN) 与长短期记忆 (LSTM) 网络,用于时空特征提取.
- 多头注意力机制侧重于相关特征,而多任务学习框架内的层次分类器可以同时识别基本和复杂的行为.
主要成果:
- 在多个数据集上,TSLNet显著超过现有的基线模型.
- 在行为识别方面实现了更高的准确性,精度,回忆,F1-Score和mAP.
- 在行人跟踪方面展示了优越的MOTA和IDF1.
结论:
- TSLNet有效地提高了行人跟踪和行为识别性能.
- 拟议的网络在处理复杂的真实世界视频数据方面非常有效.
- TSLNet显示出在智能监控和智能运输方面的应用潜力很大.


