.png){kind=icon}
返回
Abnormal behavior detection and classification using deep learning combined intelligent system
.png){kind=icon}
PRE
AI
DOI：10.1007/s13198-025-02986-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在人口密集环境中检测异常行为对智能视频监控系统提出了重大挑战，尤其是在实现大规模视频流实时、计算高效的分析方面。传统的深度CNN架构虽然有效，但通常涉及过多的参数和计算开销。为解决这一问题，本研究提出了一种混合深度学习模型，该模型结合了轻量化和优化的CNN变体，包括改进的YOLOv8用于异常行为检测，以及Modified Deep Residual Shrinkage Network（MDRSN）用于分类，并采用Adapted Aquila Optimization Algorithm（AAOA）进行超参数调优。该架构显著降低了冗余和计算成本，同时保持了高检测精度。所提出的YOLOv8-MDRSN模型在三个公开数据集上进行了验证：UCSD Ped1、UCSD Ped2和HaJJV2。它达到了当前最佳性能，准确率分别为99.97%、99.93%和99.95%。对应的F1分数为99.96%、99.91%和99.93%，AUC分数在Ped1和Ped2上达到99.30%，在HaJJV2上达到98.30%。这些结果证实了该模型在实时异常行为分类方面具有卓越能力，并以极低的误检率（FDR）实现了0.083、0.092和0.120的数值（分别对应三个数据集）。本研究展示了所提方法在复杂监控场景中的实际适用性和鲁棒性。
Keyword:
Abnormal activity detection
Improved YOLOv8
期刊
I
IF:
1.4
论文数:
370
被引数:
3.0K
机构
引用论文
分享收藏Abnormal event detection for video surveillance using an enhanced two-stream fusion method.png)
NEUROCOMPUTING
OAAI
NEUROCOMPUTINGIF6.5
OAAI分享收藏Intelligent video anomaly detection and classification using faster RCNN with deep reinforcement learning model基于深度强化学习模型的faster RCNN智能视频异常检测与分类
PREAI
分享收藏A hybrid CNN and LSTM-based deep learning model for abnormal behavior detection基于CNN和LSTM混合的深度学习异常行为检测模型
PREAI
分享收藏An enhanced framework for real-time dense crowd abnormal behavior detection using YOLOv8基于YOLOv8的实时稠密人群异常行为检测增强框架
OAAI
OAAI分享收藏A novel video anomaly detection using hybrid sand cat Swarm optimization with backpropagation neural network by UCSD Ped 1 dataset基于UCSD Ped 1数据集，使用混合沙猫群优化与反向传播神经网络的视频异常检测新方法
PREAI
分享收藏
查看更多内容