PDGV-DETR:基于动态卷积和跨度语义融合的安全现场武器和人员位置的对象检测

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:

• 公共安全依赖于准确检测武器和人员进行风险评估.
• 现有的物体检测模型在安全监控中扎着阻塞,小物体检测和复杂的背景.
• 这些局限性导致适应性差,准确性低,在现实世界的安全场景中强度不足.

研究的目的:

• 为安全监控提出一个优化的威胁对象检测框架 (PDGV-DETR).
• 增强在静态图像中的武器和人员的检测和定位.
• 为了应对诸如阻塞,尺度变化和背景干扰等挑战.

主要方法:

• 开发了一种动态层次道交互卷积模块,以改进对封闭物体的检测.
• 构建了一个改进的双向混合特征金字塔网络,具有跨尺度融合,用于多尺度特征表达.
• 引入了全球语义编织和弹性特征对齐网络,以增强对象背景歧视.

主要成果:

• 在冲突场景数据集上,PDGV-DETR实现了85.9%的峰值mAP50,表现优于基线模型.
• 与RT-DETR (p < 0.01) 和可变形DETR (精度增加15.1%) 相比,已证明具有统计学意义的性能改进.
• 在OD-WeaponDetection数据集上实现了枪支和刀具检测的93.0% mAP,比RT-DETR提高了2.2%.

结论:

• PDGV-DETR有效地平衡了定位精度,检测性能和计算效率.
• 与一般物体检测模型相比,该框架在复杂的安全场景中显示出卓越的概括性和稳定性.
• PDGV-DETR为安全监控中的对象级威胁检测提供了强大的解决方案,支持公共监控和风险预警等应用程序.