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
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
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
提出一种统一的流水线架构，用于 UAV 上的嵌入式系统的实时检测系统，可在自主勘测和活动报告等 UAV 应用中利用领域特定知识进行空中行人检测和活动识别。
May, 2023
从 RGB 图像进行自动视觉火器分类是一个重要的实际任务，应用于公共空间安全、情报收集和执法调查；本文评估了使用深度神经网络、卷积神经网络和自监督学习方法进行图像分类的效果，并未使用视觉变换网络架构进行评估。
Oct, 2023
自动检测 X 射线图像中的违禁物品可以显著增加公共安全，提高机场、地铁、海关 / 邮局等地的安全人员的工作效率，并减轻其心理负担。研究表明，变压器检测器优越于过去几年为安全应用开发的辅助神经模块和 CSP-DarkNet 骨干卷积神经网络十分高效。
利用端到端深度学习技术和数据增强策略，提出一种暴力事件自动检测解决方案，相较于先前最好的方法，在一些具有挑战性的基准数据集中取得了良好的性能，可用于帮助执法部门及时采取行动。
Sep, 2022
本篇论文提出一个基于深度学习的行人检测系统，通过分析和优化检测流程的每一步，我们提出了一种优于传统方法的架构，在保持低计算时间情况下实现了接近先进方法的任务准确性，并在 NVIDIA Jetson TK1 上测试了该系统。
Oct, 2015
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