本文介绍了一个新的大型数据集 YT-BB，其中包括大量视频 URL 和密集采样的物体边界框注释，从而提供了视频对象检测和跟踪等领域的基准数据集和发展方向。

Feb, 2017

本文介绍了如何利用 FPS 游戏构建一个包含 37 种不同类型枪声、距离和方向的枪声数据集 BGG，有助于训练并优化基于深度学习模型的枪声分类和定位任务，提高实际场景中火器分类和定位的准确度。

Oct, 2022

提出了一种检测射击者的方法，而不仅仅是枪支，利用域随机化和迁移学习提高训练的有效性，并使用 YOLOv8 和 Deep OC-SORT 实现了一个能够在边缘硬件上运行的射击者跟踪系统。

Sep, 2023

提出了一种新的流程，该流程由一组具有不同架构的卷积神经网络组成，用于监测实时视频中的武器，相比现有系统，该流程平均提高了 5% 的准确性、特异性和召回率。

Sep, 2023

设计使用深度学习的自动武器检测技术，旨在通过神经网络定位和检测武器物体的存在，并对其武器类别（包括手枪、刀、左轮手枪和步枪）进行分类。通过对 YOLOv5 模型应用剪枝和集成技术，得到推断速度为 8.1 毫秒、78% 的最高得分，而 Faster R-CNN 模型达到了 89% 的最高 AP 值。

May, 2024

为了提高智能城市安全的效率性，本研究提出了一个聚焦于武装暴力、非武装暴力和非暴力事件的新数据集，同时提出了一种基于数据的新方法用于图像分类，以提高智能城市中武器检测的性能。经过实验，该方法可高效地检测和区分带武器和不带武器的暴力事件，达到 99% 的性能。

Jul, 2022

为在线服务开发自动有害物体检测系统，提供了一个新的基准数据集，该数据集包含超过 10,000 个图像，涵盖了 6 个可能有害的类别，并使用最先进的物体检测架构验证了其有效性。

Oct, 2023

本研究使用卷积神经网络和迁移学习，开发了一个实时计算机视觉系统，用于自动手枪检测。通过对在线手枪检测方法的全面分析，强调降低误报率和学习时间。通过迁移学习，证明了其有效性。尽管存在技术挑战，所提出的系统实现了 84.74% 的准确率，展示了与相关作品相当的有希望的性能，从而实现了更快的学习和精确的自动手枪检测以增强安全性。本研究通过减少对人员监控的依赖，推动了安全措施的发展，展示了基于迁移学习的方法在高效可靠的手枪检测方面的潜力。

Nov, 2023

该论文介绍了一个由 4800 个可视实体组成，由 8 百万个视频（500k 小时的视频）组成的最大多标签视频分类数据集 YouTube-8M，并通过训练各种分类模型和评估它们来作为基准。

Sep, 2016

介绍了一个大规模的现实世界数据集，该数据集用于评估人类行为识别的学习技术，进一步提出了在无人干预状态下收集数据和训练的方法，并针对该训练数据出现的语义不一致性问题，提出了一个语义分层结构。

Jun, 2019