Nov, 2023

基于迁移学习的实时手枪检测

PDF
TL;DR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。
surveillance systemsconvolutional neural networkstransfer learninghandgun detectionsecurity measures
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

  • 自监督视觉学习用于分析网络上的枪支贩卖活动

    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

  • 基于卷积神经网络的多普勒雷达手势识别系统

    本文提出了一种使用双通道 Doppler 雷达和卷积神经网络的成本效益高的手势识别系统，其在时间 - 频率分析后对手势信号进行分类。实验结果表明，该系统具有 98％的准确性。

    Nov, 2017

  • 使用卷积神经网络进行实时手势检测与分类

    本研究提出了一种层次结构的卷积神经网络架构，通过使用滑动窗口方法，使离线工作的卷积神经网络架构能够高效地在线操作，同时细化了手势检测和分类。该架构达到了 94.04％和 83.82％的离线分类准确率以及可实现良好的在线操作表现。

    Jan, 2019

  • 使用卷积神经网络进行实时抓取检测

    本文介绍了一种基于卷积神经网络的准确、实时的机器人抓取检测方法，该网络可以在单个阶段内执行分类并查找一个优质的抓取矩形，并使用局部约束机制预测每个对象的多重抓取，比现有方法高 14 个百分点性能更好，尤其是对于可以用不同方式抓取的物体。

    Dec, 2014

  • 网络入侵检测的迁移学习方法

    本文提出了一个使用转移学习的 ConvNet 模型，用于网络入侵检测，实验结果表明该模型可以提高检测准确度，不仅在主要攻击已知的测试数据集上（KDDTest +），而且在包含许多新攻击的测试数据集上（KDDTest-21）也有显着提升 -- 与传统 ConvNet 模型相比，在 KDDTest + 上提高了 2.68％，在 KDDTest-21 上提高了 22.02％。

    Sep, 2019

  • 一种基于卷积神经网络的人脸口罩检测迁移学习方法

    基于迁移学习和 Inception v3 架构的口罩识别系统，可以在拥挤的场所监测口罩的佩戴情况，并能准确分类口罩的正确和错误使用，实验结果表明其高准确率和效率（训练数据达到 99.47%，测试数据达到 99.33%）

    Oct, 2023

  • 复杂场景下的枪支携带者检测与定位技术以提升安全措施

    通过利用人自然接触枪械信息进行定位和识别，本研究提出一种新颖方法，采用注意力机制和显著性驱动的位置保留约束，显著提高了枪械检测与人机交互检测领域的准确性和性能。

    Sep, 2023

  • 活动射击者检测和稳健跟踪利用辅助合成数据

    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