多尺度融合与FMB改进的YOLOv8异常行为检测方法

doi:10.3778/j.issn.1002-8331.2401-0240

摘要/摘要

摘要：针对异常行为检测目标面临多尺度变化、易漏检误检以及复杂背景干扰等问题，提出了一种多尺度特征融合与快速多交叉结构改进的行人异常行为检测方法。该方法以YOLOv8公司为基线网络，在模型主干部分设计了快速多交叉结构提升上下文信息感知能力并减少网络参数，提出空间递进卷积池化模块实现多尺度信息融合，降低尺度差异带来的易漏检误检问题，提高检测的准确度；在模型颈部中引入SimAM公司注意力机制抑制复杂背景干扰，提升目标检测性能；最后采用WIoU（加权平均值）损失函数平衡检测锚框的惩戒力度增强模型泛化性能。所提方法在UCSD-Ped1、UCSD-Ped 2数据集进行验证，并在OPIXray公司数据集进行了泛化性测试。结果表明，所提方法异常行为识别精度较诸多先进检测算法均有不同程度的提升，且参数量更小，是一种性能较为优异的行人异常行为检测方法。

关键词: 异常行为检测, YOLOv8，空间递进卷积池化（S-PCP），快速多交叉结构（FMB）

摘要：针对异常行为检测中存在的多尺度变化、漏检和误检以及复杂背景干扰等问题，提出了一种融合多尺度特征和快速多交叉块（FMB）的异常行为检测方法。基于YOLOv8作为基线网络，在主干中设计了FMB，以增强上下文信息意识并减少网络参数。同时，提出了一种空间累进卷积池（S-PCP）模块来实现多尺度信息融合，从而减少了尺度差异导致的漏检和误检问题，提高了检测精度。颈部引入了SimAM注意机制，以抑制复杂背景干扰，提高目标检测性能。利用WIoU平衡锚箱上的惩罚力，提高了模型的泛化性能。所提出的方法已在UCSD-Ped1和UCSD-Ped2数据集上进行了广泛验证，并在OPIXray数据集上测试了其泛化能力。结果表明，与许多先进的检测算法相比，所提出的参数较少的方法在异常行为识别准确性方面取得了不同的改进，证明了一种优秀的行人异常行为检测方法。

关键词： 异常行为检测， YOLOv8，空间累进卷积池（S-PCP），快速多交叉块（FMB）

石洋宇, 左景, 谢承杰, 郑棣文, 卢树华. 多尺度融合与FMB（飞行管理局）改进的YOLOv8公司异常行为检测方法[J] ●●●●。，2024, 60(9): 101-110.

史阳宇、邹静、谢成杰、郑迪文、卢淑华。基于多尺度融合和FMB的改进YOLOv8异常行为检测方法[J]。计算机工程与应用，2024，60（9）：101-110。

参考文献

[1] RISTEA N C，MADAN N，IONESCU R T，等.用于异常检测的自监督预测卷积关注块[C]//IEEE/CVF计算机视觉与模式识别会议论文集，2022:13576-13586。
[2] LIU W，CHANG H，MA B，et al.多样性可测量异常检测[C]//IEEE/CFF计算机视觉与模式识别会议论文集，2023：12147-12156。
[3] PANG G，SHEN C，CAO L，等.基于深度学习的异常检测研究[J]。ACM计算调查（CSUR），2021，54（2）：1-38。
[4] CHALAPATHY R，CHAWLA S.异常检测的深度学习研究[J]。arXiv:1901.034072019年。
[5] 张晓平, 纪佳慧, 王力, 等. 基于视频的人体异常行为识别与检测方法综述[J] ●●●●。控制与决策, 2022, 37(1): 14-27.
张晓平，纪俊华，王磊，等.基于视频的人体异常行为识别与检测方法综述[J]。控制与决策，2022，37（1）：14-27。
[6] REISS T，HOSHEN Y.基于属性的视频异常检测方法[J]。arXiv:2212.007892022。
[7] PARK H，NOH J，HAM B.学习记忆引导的异常检测正态性[C]//IEEE/CVF计算机视觉和模式识别会议论文集，2020：14372-14381。
[8] RAVANBAKHSH M，NABI M，SANGINETO E，et al.使用生成对抗网络检测视频中的异常事件[C]//2017 IEEE国际图像处理会议（ICIP），2017:1577-1581。
[9] LV H，CHEN C，CUI Z，等.利用元原型网络学习视频中的正常动力学[C]//IEEE/CVF计算机视觉和模式识别会议论文集，2021:15425-15434。
[10] HASAN M，CHOI J，NEUMANN J，等.视频序列中时间规律的学习[C]//IEEE计算机视觉与模式识别会议论文集，2016:733-742。
[11] 李永杰，戴振杰。利用YOLO和Conv-AE进行人群场景异常行为检测[C]//2021年第33届中国控制与决策会议，2021:1720-1725。
[12] 刘伟，罗伟，连德，等.异常检测的未来帧预测——一个新的基线[C]//IEEE计算机视觉与模式识别会议论文集，2018:6536-6545。
[13] 董凤，张毅，聂欣。用于视频异常检测的双鉴别器生成对抗网络[J]。IEEE接入，2020，8:88170-88176。
[14] ZAHEER M Z，MAHMOOD A，KHAN M H，等.无监督视频异常检测的生成式合作学习[C]//IEEE/CVF计算机视觉与模式识别会议论文集，2022:14744-14754。
[15] LEE S，KIM H G，RO Y M.BMAN：用于异常事件检测的双向多尺度聚合网络[J]。IEEE图像处理汇刊，2019，29:2395-2408。
[16] ULLAH W，HUSSAIN T，ULLAH F U M，等.TransCNN:用于监视异常检测的混合CNN和转换器机制[J]。人工智能的工程应用，2023，123:106173。
[17] GEORGESCU M I，BARBALAU A，IONESCU R T，et al.基于自监督和多任务学习的视频异常检测[C]//IEEE/CVF计算机视觉和模式识别会议论文集，2021:12742-12752。
[18] JI H，ZENG X，LI H，等.基于T-TINY-YOLO的人类异常行为检测方法[C]//第五届多媒体与图像处理国际会议论文集，2020：1-5。
[19] 徐守坤, 顾佳楠, 庄丽华, 等. 基于两阶段计算变压器的小目标检测[J] ●●●●。计算机科学与探索, 2023, 17(12): 2967-2983.
徐世凯，顾建恩，庄丽华，等.基于两级计算变换器的小目标检测[J]。计算机科学与技术前沿杂志，2023，17（12）：2967-2983。
[20] GLENN J、AYUSH C、LAUGHING等人，超溶体/超溶体主要[EB/OL]。[2023-01-10]. https://github.com/ultralytics/ultralyetics。
[21]YANG L，ZHANG R Y，LI L，et al.Simam:一种用于卷积神经网络的简单、无参数的注意模块[C]//国际机器学习会议，2021:11863-11874。
[22]汤Z，陈Y，徐Z，等。Wise IoU：具有动态聚焦机制的边界盒回归损失[J]。arXiv:2301.100512023。
[23]何凯，张旭，REN S，等.基于深度卷积网络的视觉识别空间金字塔池[J]。IEEE模式分析和机器智能汇刊，2015，37（9）：1904-1916。
[24]王春英，廖海明，吴永华，等.CSPNet：一种可以增强CNN学习能力的新主干网[C]//IEEE/CVF计算机视觉和模式识别研讨会会议记录，2020：390-391。
[25]CHEN J，KAO S，HE H，et al.Run，don not walk:chasing high-FLOPS for faster neural networks[C]//IEEE/CVF Conferences on Computer Vision and Pattern Recognition，2023:12021-12031.陈J，考斯，何赫，等.跑步，不要走路：追求更高的FLOPS以实现更快的神经网络。
[26]MAHADEVAN V，LI W，BHALODIA V，et al.拥挤场景中的异常检测[C]//IEEE计算机视觉与模式识别会议。美国加利福尼亚州旧金山：IEEE，2010:1975-1981。
[27]陶瑞，魏毅，李华，等.噪声x射线图像中违禁项目检测的过采样脱隐注意网络[J]。arXiv:2103.008092021年。
[28]刘伟，安圭洛夫D，埃尔罕D，等.SSD:单次多盒探测器[C]//第14届欧洲计算机视觉会议论文集，荷兰阿姆斯特丹，2016年10月11-14日。[S.l.]：施普林格国际出版公司，2016:21-37。
[29]REN S，HE K，GIRSHICK R，等.更快的R-CNN：利用区域提议网络实现实时目标检测[J]。IEEE模式分析和机器智能汇刊，2017，39（6）：1137-1149。
[30]郑Z，叶R，王平，等.稠密目标检测的局部化蒸馏[C]//IEEE/CVF计算机视觉与模式识别会议论文集，2022:9407-9416。
[31]YANG Z，LI Z，JIANG X，et al.检测器的焦点和全局知识提取[C]//IEEE/CVF计算机视觉和模式识别会议论文集，2022:4643-4652。
[32]CHEN F，ZHANG H，HU K，et al.通过选择性查询回忆增强基于查询的对象检测训练[C]//IEEE/CVF计算机视觉和模式识别会议论文集，2023:23756-23765。
[33]GLENN J，AYUSH C，JIRKA B，等.超溶物/yolov5:v6.1-yolov5[EB/OL]。[2022-02-22]. https://github.com/ultralytics/yolov5。
[34]WANG C Y，BOCHKOVSKIY A，LIAO H Y M.YOLOv7:可培训的免费行李为实时目标探测器设置了新的最先进技术[C]//IEEE/CVF计算机视觉和模式识别会议记录，2023:7464-7475。
[35]TAO R，WEI Y，JIANG X等。走向现实世界的X射线安全检查：用于违禁物品检测的高质量基准和横向抑制模块[C]//IEEE/CFF国际计算机视觉会议记录，2021:10923-10932。
[36]王M，杜H，梅W，等.遮挡物检测中的物质感知跨通道交互注意（MCIA）[J]。可视化计算机，2023，39:2865-2877。
[37]WEI Y，WANG Y，SONG H.CFPA-Net：用于检测和分类x射线行李图像中违禁物品的跨层特征融合和并行注意网络[C]//2021 IEEE第七届云计算和智能系统国际会议（CCIS），2021:203-207。
[38] 董乙杉, 郭靖圆, 李明泽, 等. 基于反向瓶颈和LCBAM公司设计的X（X）光违禁品检测[J] ●●●●。计算机科学与探索, 2024, 18(5):1259-1270.
董义思，郭建英，李敏忠，等.基于倒置瓶颈和轻卷积块注意模块的X射线违禁物品检测[J]。计算机科学与技术前沿杂志，2024，18（5）：1259-1270。
[39]孙嘉傲, 董乙杉, 郭靖圆, 等. 自适应与多尺度特征融合的X（X）光违禁品检测[J] ●●●●。，2024, 60(2): 96-102.
孙佳佳，董远生，郭俊勇，等。基于自适应和多尺度特征融合的X射线违禁品检测[J]。计算机工程与应用，2024，60（2）：96-102。
[40]郑Z，王平，刘伟，等.距离-IoU损失：边界盒回归的更快更好学习[C]//AAAI人工智能会议论文集，2020：12993-13000。
[41]ZHANG Y F，REN W，ZHANG Z，et al.精确边界盒回归的焦点有效IOU损失[J]。神经计算，2022，506:146-157。
[42]GEVORGYAN Z.SIoU loss:边界盒回归的更强大学习[J]。arXiv:2205.12740，2022年。

多尺度融合与FMB（飞行管理局）改进的YOLOv8公司异常行为检测方法

基于多尺度融合和FMB的改进YOLOv8异常行为检测方法

PDF格式

可视化

摘要/摘要

引用本文

使用本文

参考文献

相关文章15

第二次会议

韵律学

[1]	史涛, 崔杰, 李松.优化改进YOLOv8公司实现实时无人机车辆检测的算法[J] ●●●●。，2024, 60(9): 79-89.
[2]	窦智, 高浩然, 刘国奇, 常宝方.轻量化YOLOv8公司的小样本钢板缺陷检测算法[J] ●●●●。，2024, 60(9): 90-100.
[3]	潘玮, 韦超, 钱春雨, 杨哲.面向无人机视角下小目标检测的YOLOv8系列改进模型[J] ●●●●。，2024, 60(9): 142-150.
[4]	胡峻峰, 李柏聪, 朱昊, 黄晓文.改进YOLOv8公司的轻量化无人机目标检测算法[J] ●●●●。，2024, 60(8): 182-191.
[5]	是的，是的。改进YOLOv8公司的道路交通标志目标检测算法[J] ●●●●。，2024, 60(8): 202-212.
[6]	付锦燚, 张自嘉, 孙伟, 邹凯鑫.改进YOLOv8公司的航拍图像小目标检测算法[J] ●●●●。，2024, 60(6): 100-109.
[7]	周飞, 郭杜杜, 王洋, 王庆庆, 秦音, 杨卓敏, 贺海军.基于改进YOLOv8公司的交通监控车辆检测算法[J] ●●●●。，2024，60（6）：110-120。
[8]	王海群, 王炳楠, 葛超.重参数化YOLOv8公司路面病害检测算法[J] ●●●●。，2024, 60(5): 191-199.
[9]	丁玲, 缪小然, 胡建峰, 赵作鹏, 张新建.改进YOLOv8系列与DeepSORT公司的矿工帽带检测及人员跟踪[J] ●●●●。，2024, 60(5): 328-335.
[10]	张利丰, 田莹.改进YOLOv8公司的多尺度轻量型车辆目标检测算法[J] ●●●●。，2024, 60(3): 129-137.
[11]	孙晓虎, 余阿祥, 申栩林, 李洪均.混合注意力机制的异常行为识别[J] ●●●●。，2023, 59(5): 140-147.
[12]	李松, 史涛, 井方科.改进YOLOv8公司测试[J] ●●●●。，2023, 59(23): 165-174.
[13]	熊恩杰, 张荣芬, 刘宇红, 彭靖翔.面向交通标志的幽灵-YOLOv8检测算法[J] ●●●●。，2023, 59(20): 200-207.
[14]	申栩林, 李超波, 李洪均.人群密集度下GAN公司的视频异常行为检测进展[J] ●●●●。，2022, 58(7): 21-30.
[15]	谭筠梅1，王履程2，无人机2，王小鹏2城市轨道交通智能视频分析关键技术综述[J] ●●●●。，2014, 50(4): 1-6.