多尺度融合与FMB改进的YOLOv8异常行为检测方法OA北大核心CSTPCD
Improved YOLOv8 Method for Anomaly Behavior Detection with Multi-Scale Fusion and FMB
针对异常行为检测目标面临多尺度变化、易漏检误检以及复杂背景干扰等问题,提出了一种多尺度特征融合与快速多交叉结构改进的行人异常行为检测方法.该方法以YOLOv8为基线网络,在模型主干部分设计了快速多交叉结构提升上下文信息感知能力并减少网络参数,提出空间递进卷积池化模块实现多尺度信息融合,降低尺度差异带来的易漏检误检问题,提高检测的准确度;在模型颈部中引入SimAM注意力机制抑制复杂背景干扰,提升目标检测性能;最后采用WIoU损失函数平衡检测锚框的惩…查看全部>>
To resolve the problems of anomaly behavior detection including multi-scale variations,miss and false detec-tion,and complex background interference,a method is proposed by incorporating the fusion of multi-scale features and fast multi-cross block(FMB)for anomaly behavior detection.Based on YOLOv8 as the baseline network,a FMB has been designed in the backbone to enhance context information awareness and reduce network parameters.Meanwhile,a spatial-p…查看全部>>
石洋宇;左景;谢承杰;郑棣文;卢树华
中国人民公安大学 信息网络安全学院,北京 102600中国人民公安大学 信息网络安全学院,北京 102600中国人民公安大学 信息网络安全学院,北京 102600中国人民公安大学 信息网络安全学院,北京 102600中国人民公安大学 信息网络安全学院,北京 102600||公安部安全防范技术与风险评估重点实验室,北京 102600
计算机与自动化
异常行为检测YOLOv8空间递进卷积池化(S-PCP)快速多交叉结构(FMB)
anomaly behavior detectionYOLOv8spatial-progressive convolution pooling(S-PCP)fast multi-cross block(FMB)
《计算机工程与应用》 2024 (9)
101-110,10
中国人民公安大学双一流创新研究项目(2023YJSKY002).
评论