.png){kind=icon}
返回
Video Activity Detection Using Deep Learning
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-96-7499-2_24.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，人工智能和深度学习的进展显著改变了公共安全领域的格局，特别是在公共场所实时威胁检测方面。随着城市环境日益复杂，系统复杂性和数据密度也随之增加；传统的监控系统已无法满足对大规模人群的监控、潜在威胁的检测或公共安全的保障。这促使开发能够实时处理海量数据以识别异常行为、可疑活动和危及安全物体的自动化系统。我们深入探讨了对象检测模型（如YOLO、Faster R-CNN、SSD）的核心方法并进行比较。为提高对异常及非法活动的检测精度并减少误报和漏报，我们通过融合多源数据创建了一个定制数据集，这些系统整体上增强了监控系统的可靠性。
Keyword:
Yolo
Faster R-CNN
SSD
期刊
S
IF:
0
论文数:
414
被引数:
0
机构
暂无机构信息
引用论文
Tinier-YOLO: A Real-Time Object Detection Method for Constrained EnvironmentsTinier-yolo: 一种约束环境下的实时目标检测方法.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏An improved object detection algorithm based on multi-scaled and deformable convolutional neural networks一种改进的基于多尺度可变形卷积神经网络的目标检测算法
OAAI
OAAI分享收藏Multi-Modal Human Action Recognition With Sub-Action Exploiting and Class-Privacy Preserved Collaborative Representation LearningIEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容