一个可解释的深度学习框架用于视频暴力检测,使用无监督的关键选择和基于注意力的CNN
Rashid Azim1, Naveed Abbas1, Hend Khalid Alkahtani2
1Department of Computer Science, Islamia College Peshawar, Peshawar, 25100, Pakistan.
Scientific reports
|February 26, 2026
概括
本研究介绍了一种可解释的注意力增强卷积神经网络 (CNN),用于实时视频暴力检测. 新的框架实现了高精度和效率,为监控系统提供了一个透明的解决方案.
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:
- 越来越多的视频数据需要智能,可解释的系统来实时检测暴力.
- 现有的方法面临冗余性,透明度和通用性的挑战.
研究的目的:
- 提出一种新的可解释的注意力增强卷积神经网络 (CNN) 框架,用于视频暴力检测.
- 解决自动暴力检测中的冗余性,透明度和泛化问题.
主要方法:
- 使用基于相似性的聚类来减少计算负载的无监督的关键框架选择.
- 集成到CNN的注意力模块,用于增强时空特征学习.
- 用Grad-CAM++对模型决策提供可解释的视觉见解.
主要成果:
- 在五个基准数据集上实现了卓越的性能,平均准确率为94.6%,F1得分为93.9%.
- 性能优于包括C3D,I3D,ResNet-LSTM和ViViT在内的最先进的模型.
- 证明了近实时效率 (≈62 FPS) 和减少内存使用 (6.8 GB).
结论:
- 拟议的框架为自动视频暴力检测提供了强大,高效和透明的解决方案.
- 关键框架选择和注意力机制显著提高了模型性能.
- 可解读性通过突出暴力相关地区,适合监视和公共安全来提高可靠性.
