基于EfficientDet网络的细粒度吸烟行为识别

摘要：

在实际场景中,因香烟目标过于微小且特征不明显,现有的目标检测算法难以区分类烟物与香烟,导致吸烟行为识别效果差.提出一种基于弱监督细粒度结构与EfficientDet网络的吸烟行为识别算法.采用Edge Boxes算法检测图像块的特征边缘,通过非极大值抑制对边缘进行筛选,形成候选区域块.构建包含物体级筛选器和局部级筛选器的细粒度两级注意力模型,其中物体级筛选器使用改进的EfficientDet网络滤除候选区域的背景噪声,以分类前景物体及特征较强的候选区域,并在局部级筛选器中使用通道注意力卷积块对候选区域进行聚类,筛选出得分最高的像素块.通过融合物体级筛选器与局部级筛选器得到的结果,以准确识别吸烟行为.在BUU-Smoke数据集上的实验结果表明,该算法的吸烟行为识别准确率为93.10％,误检率为3.6％,并且具有较优的鲁棒性和泛化能力.

关键词：吸烟行为;EfficientDet网络;弱监督细粒度;注意力机制;行为识别

所属期刊栏目：48

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;国家自然科学基金;国家自然科学基金;北京市自然科学基金;北京联合大学人才强校优选计划;江苏省重点研发计划

在线出版日期：2022-03-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：302-309,314