Sep, 2023

活动射击者检测和稳健跟踪利用辅助合成数据

PDF
TL;DR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。
gun violencepublic safetyshooter detectiondomain randomizationsynthetic data
发现论文，激发创造
  • 自动武器检测的新型深度学习流程

    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

  • 实时深度学习武器检测技术用于减轻单独狼袭击

    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

  • 基于分布式深度学习和合成数据生成的搜救小目标检测

    该研究使用 UAV 和固定监控摄像头构建了一个自动目标检测系统，结合了图像分割、增强和卷积神经网络等技术，可以在 8 秒内检测到目标，并使用合成数据生成和数据增强技术提高检测精度，这一解决方案有望帮助一线应对突发事件和搜救操作。

    Apr, 2019

  • YouTube-GDD: 一个具有丰富背景信息的枪支检测数据集挑战

    该论文介绍了一种基于深度学习的自动枪支检测系统，使用新的动态数据集 YouTube Gun Detection Dataset（YouTube-GDD）评估了 YOLOv5 算法在枪支检测方面的性能，并分析了附加注释信息对枪支检测的影响。

    Mar, 2022

  • 基于迁移学习的实时手枪检测

    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

  • 用强基准方法改进合成数据上的目标检测训练

    我们提出了一种在合成数据上训练预训练目标检测器的方法，通过提取合成数据的显著信息并保留在真实图像上预训练的有用特征，结合数据增强方法和 Transformer 骨干网络，我们在 RarePlanes、DGTA-VisDrone 数据集上改进了合成数据训练的目标检测技术，并在公司内部车辆检测数据集上达到近乎完美的性能。

    May, 2024

  • 监控视频中的任意时序异常检测

    本研究提出了一种基于转移学习和任意示例学习的在线异常检测算法，可以使用少量标记的正常示例检测异常，具有训练复杂度低的优点，适用于监控视频中的在线决策。

    Apr, 2020

  • 利用合成数据提升托盘检测的准确性

    使用合成数据在机器学习中能够节省大量时间，本研究旨在改进先前实施的方法，以实现仓库环境中托盘的实例分割。通过使用合成生成的域随机数据和通过 Unity 生成的数据，该研究在真实数据评估中对叠放和垛放托盘类别分别实现了 69% 和 50% mAP50 的性能提升。此外，在光线较暗的环境下评估模型时，其性能有显著影响，当在亮度降低 80% 的图像上进行评估时，mAP50 降至 3% 左右。此研究还创建了一个使用 YOLOv8 和 SAM 的两阶段检测器，但其性能不稳定。与 Unity 生成数据相比，使用域随机数据的性能改进可忽略。

    Feb, 2024

  • SIViDet: 高效武器暴力检测的显著图像

    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

  • 合成数据集分析：不同快门类型下的行人检测

    通过使用 Unreal Engine 5（UE5）的先进模拟能力生成合成数据集，本论文研究了不同快门机制对机器学习（ML）目标检测模型的影响，结果表明在 IOU=0.5 时，这两种快门模态之间的性能相当，在 IOU=0.5:0.95 范围内的检测准确度存在显著差异，这意味着对于许多目标检测应用程序，ML 流水线可能不需要对 RS 进行显式校正，但针对目标的细粒度位置的 ISP-less ML 流水线可能需要额外的研究。

    Sep, 2023