期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
基于改进注意力机制与VGG-BiLSTM的暴力行为检测 被引量:1
1
作者 李金成 闫睿骜 代雪晶 《现代电子技术》 北大核心 2024年第21期131-138,共8页
为解决单一深度卷积神经网络VGG特征提取的局限性,以及单一循环神经网络RNN在记忆历史信息方面的困难,提出改进注意力机制与深度时空网络的深度学习模型VBA-net的暴力行为检测方法。首先,通过VGG的深层神经网络提取关键局部特征;其次,... 为解决单一深度卷积神经网络VGG特征提取的局限性,以及单一循环神经网络RNN在记忆历史信息方面的困难,提出改进注意力机制与深度时空网络的深度学习模型VBA-net的暴力行为检测方法。首先,通过VGG的深层神经网络提取关键局部特征;其次,运用改进后的注意力机制捕捉和优化最显著的特征;最后,利用双向长短期记忆网络处理过去和未来的时序数据。仿真实验结果表明,VBA-net在规模较小的HockeyFight和Movies数据集上的准确率分别达到了97.42%和98.06%,在具有多样化内容和复杂环境数据集RWF-2000和RLVS上准确率分别达到89.00%和95.50%,因此其在复杂环境的综合鲁棒性优于同类算法,可有效提升暴力行为检测任务中的准确率。 展开更多
关键词 暴力行为检测 深度卷积神经网络 双向长短期记忆网络 注意力机制 VBA-net 特征提取
在线阅读 下载PDF
基于时间注意力机制和EfficientNet的视频暴力行为检测 被引量:4
2
作者 蔡兴泉 封丁惟 +2 位作者 王通 孙辰 孙海燕 《计算机应用》 CSCD 北大核心 2022年第11期3564-3572,共9页
针对一般的暴力行为检测方法模型参数量大、计算复杂度高、准确率较低等问题,提出一种基于时间注意力机制和EfficientNet的视频暴力行为检测方法。首先将通过对数据集进行预处理计算得到的前景图输入到网络模型中提取视频特征,同时利用... 针对一般的暴力行为检测方法模型参数量大、计算复杂度高、准确率较低等问题,提出一种基于时间注意力机制和EfficientNet的视频暴力行为检测方法。首先将通过对数据集进行预处理计算得到的前景图输入到网络模型中提取视频特征,同时利用轻量化EfficientNet提取前景图中的帧级空间暴力特征,并利用卷积长短时记忆网络(ConvLSTM)进一步提取视频序列的全局时空特征;接着,结合时间注意力机制,计算得到视频级特征表示;最后将视频级特征表示映射到分类空间,并利用Softmax分类器进行视频暴力行为分类并输出检测结果,实现视频的暴力行为检测。实验结果表明,该方法能够减少模型参数量,降低计算复杂度,在有限的资源下提高暴力行为检测准确率,提升模型的综合性能。 展开更多
关键词 暴力行为检测 时间注意力机制 卷积长短时记忆网络 EfficientNet模型
在线阅读 下载PDF
一种改进R(2+1)D网络的暴力行为检测方法 被引量:1
3
作者 王勇 靳伟昭 +1 位作者 冯伟 全英汇 《西安电子科技大学学报》 EI CAS CSCD 北大核心 2022年第2期155-163,217,共10页
公共安全中复杂的暴力行为检测具有重要的研究价值。传统的研究方法主要基于手工设计的特征,泛化能力较差,现有的深度学习网络模型泛化能力强但准确率较低。针对上述问题,提出了一个结合R(2+1)D改进网络和密集连接思想的暴力行为检测方... 公共安全中复杂的暴力行为检测具有重要的研究价值。传统的研究方法主要基于手工设计的特征,泛化能力较差,现有的深度学习网络模型泛化能力强但准确率较低。针对上述问题,提出了一个结合R(2+1)D改进网络和密集连接思想的暴力行为检测方法。由于原R(2+1)D残差模块支路中的步长为2的卷积操作忽略了特征图的3/4,所以将其优化为池化操作和步长为1的卷积操作。本实验的数据集共有1500个视频样本,具体包括曲棍球比赛数据集和自制数据集。实验结果证明,改进后R(2+1)D网络相比原网络准确率分别提高了约2.30%和1.00%。另外,引入密集连接思想,将残差模块中的不同卷积层级间建立连接,使残差块中的卷积层输出特征图可重复使用,这在一定程度上减轻了训练过程中梯度消散的问题。通过在相同数据集上进行测试,发现改进后(2+1)D网络相比传统的方法,检测精度进一步提升了约1.47%和0.93%。因此,在公开的经典暴力行为检测数据集上的实验证明,相对于传统的3种网络学习方法,该算法能够更好地表示暴力行为信息,是一种更加简单有效的暴力行为检测方法。 展开更多
关键词 暴力行为检测 (2+1)D密集残差块 残差网络 深度学习
在线阅读 下载PDF
基于光流灰度共生矩阵的视频暴力行为检测 被引量:3
4
作者 姚慧玲 胡兴 黄影平 《电子测量技术》 北大核心 2021年第4期132-137,共6页
视频暴力行为检测通过分析视频场景中运动目标的行为,判断目标的行为是否属于袭击、骚乱、打架等暴力行为。针对视频中的暴力行为检测问题,提出一种基于光流灰度共生矩阵的视频暴力行为检测算法。光流灰度共生矩阵获取场景中运动的空间... 视频暴力行为检测通过分析视频场景中运动目标的行为,判断目标的行为是否属于袭击、骚乱、打架等暴力行为。针对视频中的暴力行为检测问题,提出一种基于光流灰度共生矩阵的视频暴力行为检测算法。光流灰度共生矩阵获取场景中运动的空间共生分布信息,并能够计算出重要特征用于描述场景中的行为。首先,计算视频中连续帧之间的光流场;然后,提取光流场灰度图像的灰度共生矩阵,计算灰度共生矩阵的二阶矩、对比度、熵等特征,并组成特征向量;最后,使用支持向量机将所提取的视频特征分类为暴力行为或非暴力行为。该方法在Hockey、Movies和Violent Flow三个公共数据集上的进行了5折交叉验证,分别取得了96.7%,95.8%,92.5%的准确率。实验结果分析与对比显示,所提出方法的性能优于同类对比方法。 展开更多
关键词 视频暴力行为检测 光流场 GLCM 支持向量机
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部