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

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

通过训练和评估 YOLOv8 和 RT-DETR 模型的不同版本，我们的研究项目旨在创建和验证一个先进的深度学习框架，能够处理复杂视觉输入，以实时识别各种环境中的汽车和行人。YOLOv8 Large 版本被证明是最有效的，在行人识别方面具有很高的准确性和鲁棒性。研究结果表明，该模型能够显著提高交通监控和安全性，成为计算机视觉领域实时可靠检测的重要贡献，并为交通管理系统建立了新的基准。

Apr, 2024

通过改进的 YOLOv5 火灾检测深度学习算法，可以有效地处理室内、室外和森林火灾图像中的火灾目标检测，并且可以在不同的自然光照条件下进行火灾检测。

Oct, 2023

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

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

本文提出了一种名为 Fast YOLO 的新框架，通过深度智能进化框架优化了 YOLOv2 网络架构并将运动自适应推理方法引入，从而在保持性能的同时，在嵌入式设备上实现实时物体检测。实验结果表明，Fast YOLO 框架可以在平均 3.3 倍的速度加速下，将嵌入式系统上的检测性能提高到 18FPS。

Sep, 2017

本文探讨了使用三种最先进的目标检测神经网络在实时应用中用于口罩检测的能力，并在只有 1531 张图片的三个单独的类别的数据集上，通过使用 YOLOv4-tiny 模型获得了 85.31% 和 50.66 的平均精度和秒数，分别是其他最近研究的最佳模型。

Apr, 2023

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