- 综合排序
- 最热优先
- 最新优先
- 来自专栏全栈程序员必看
姿态估计与行为识别（行为检测、行为分类）的区别
姿态估计和行为识别作为计算机视觉的两个领域，对于新人来说，较为容易弄混姿态估计和行为识别两个概念。 一个是不仅要知道一个动作在视频中是否发生，还需要知道动作发生在视频的哪段时间（包括开始和结束时间）（行为检测 Temporal Action Localization）。 也可以说是对视频进行指定行为的检测 Action Recegniton和Temporal Action Localization之间的关系，同image classification和object detection 常用的行为检测的数据集： THUMOS2014：在行为检测任务中只有20类动作的未分割视频是有序行为片段标注的 MEXaction2：骑马和斗牛 ActivityNet：目前最大的数据集，同时包含分类和检测两个任务 300fps 缺点：精度低，在UCF-101上为0.85准确率 参考文献 三种方法的对比引自于： https://www.jianshu.com/p/2c2c7e96b9b7 按照时间顺序整理了部分视频行为检测
3.5K20编辑于 2022-06-24 - 来自专栏燧机科技-视频AI智能分析
考场学生作弊行为检测系统
现有视频监控系统易受遮挡干扰（如文具遮挡）、复杂光照（反光桌面）影响，导致作弊行为漏检率高达39%。 本文提出基于YOLOv11目标检测与时空特征融合的智能监测系统，通过多光谱感知网络-动态行为建模-分级预警联动技术架构，实现0.3-15m/s全场景检测精度（实验室数据），实测响应延迟＜0.6秒。 系统已在某省属高考考点（覆盖280间考场）部署，日均生成风险评估报告1200+份，作弊行为识别准确率提升至88%。 防护与PoE++供电（80W），适应高粉尘环境 边缘计算节点 采用NVIDIA Jetson AGX Orin，算力275TOPS，部署TensorRT加速引擎 （二）算法层核心设计 YOLOv11作弊行为检测优化 67%提升至94%） 行为关联分析：设计时空图卷积网络（ST-GCN），建模作弊行为扩散路径 （二）误报率控制 时序行为过滤：通过时空特征网络分析连续帧状态，排除“考生短暂调整姿势”干扰 环境自适应：根据气象站数据动态调整检测阈值
31610编辑于 2026-01-08 - 来自专栏FreeBuf
QQ蠕虫的行为检测方法
这种蠕虫诞生于QQ体系之上，其影响和传播主要集中在国内地区，因此国外品牌的杀软对这类蠕虫识别和支持非常有限，国内的杀软品牌对该蠕虫检测也不是特别理想，从而导致了该QQ蠕虫的传播更加快速，影响范围更广。
1.1K80发布于 2018-02-02 - 来自专栏燧机科技-视频AI智能分析
校园打架行为识别检测系统
校园打架行为识别检测系统基于python基于yolov7深度学习框架+边缘分析技术，校园打架行为识别检测系统自动对校园、广场等区域进行实时监测，当监测到有人打架斗殴时，系统立即抓拍存档语音提醒，并将打架行为回传给学校后台 YOLOv7 在 5 FPS 到 160 FPS 范围内，速度和精度都超过了所有已知的目标检测器。并在V100 上，30 FPS 的情况下达到实时目标检测器的最高精度 56.8% AP。 图片目标检测架构分为两种，一种是two-stage，一种是one-stage，区别就在于 two-stage 有region proposal过程，类似于一种海选过程,网络会根据候选区域生成位置和类别， 图片相对于其他类型的工具，YOLOv7-E6 目标检测器（56 FPS V100，55.9% AP）比基于 transformer 的检测器 SWINL Cascade-Mask R-CNN（9.2 FPS A100，53.9% AP）速度上高出 509%，精度高出 2%，比基于卷积的检测器 ConvNeXt-XL Cascade-Mask R-CNN (8.6 FPS A100, 55.2% AP) 速度高出
93440编辑于 2022-12-28 - 来自专栏燧机科技-视频AI智能分析
工厂人员行为识别检测系统
工厂人员行为识别检测系统通过yolo计算机AI智能视频分析技术采用FPN+PAN的结构，实时分析个人的违规行为和物体不安全状态，工厂人员行为识别检测系统利用现场已有的监控摄像头，改变原先的传统安防监控作业方式 图片YOLO最新的卷积神经网络YOLOv5来进行火焰识别检测。6月9日，Ultralytics公司开源了YOLOv5，离上一次YOLOv4发布不到50天。 在我们还对YOLOv4的各种高端操作、丰富的实验对比惊叹不已时，YOLOv5又带来了更强实时目标检测技术。图片
1.1K00编辑于 2022-12-22 - 来自专栏燧机科技-视频AI智能分析
人员抽烟行为识别检测系统
人员抽烟行为识别检测系统依opencv+python深度学习架构模型，对现场画面开展7×24h无间断分析，减少了人力成本。人员抽烟行为识别检测系统识别管控区域人员的抽烟状况。 opencv+python深度学习架构模型优化算法识别率高，识别精密度97%，对人员抽烟行为精准识别。 图片传统背景差分法，结合OpenCV中的图像高斯平滑预处理以及腐蚀、膨胀图像形态学处理方法，实现一个更符合实际场景需要的运动目标检测方法。 实验效果比较分析表明，该目标检测算法较传统目标检测算法能够提取更加准确和完整的运动目标轮廓。 图片YOLOv5是一种单阶段目标检测算法，该算法在YOLOv4的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。
77740编辑于 2022-12-26 - 来自专栏燧机科技-视频AI智能分析
监控脱岗离岗行为检测系统
监控脱岗离岗行为检测系统根据AI机器视觉分析全天候不间断对监控视频图像开展识别和剖析，对企业的某些固定工位离岗、脱岗情况进行识别检测报警提醒。 监控脱岗离岗行为检测系统使用场景包含:酒店迎宾离岗检测、宾馆前台离岗检测、保安离岗检测、工厂生产线工作人员离岗检测、监控指挥中心工作人员离岗检测等，避免因离岗导致财产损失或安全事故，减少人力资源管理节省成本 监控脱岗离岗行为检测系统主要运用于施工工地、工厂等需要加强监督的场所。依据计算机视觉分析的技术和现场监控摄像头相互配合，监控脱岗离岗行为检测系统对在工作期间离岗的情况进行监管。 离岗检测鉴别预警信息系统、值班室人员睡岗预警系统、工作人员未在座位检测识别摄像头、企业办公室人员离岗检测拍摄预警信息系统、，监控室人员未在岗位检测识别摄像头、走廊消防通道堵塞预警信息系统、安全消防监控室离岗检测预警提醒监控监控摄像头
1K10编辑于 2022-09-25 - 来自专栏燧机科技-视频AI智能分析
ai课堂行为分析检测评估
ai课堂行为分析检测评估系统通过yolo网络模型算法，ai课堂行为分析检测评估算法利用摄像头采集学生的图像，视线跟踪技术的智能教学系统由情感模型、教师模型、学生模型和课程模型四个模型组成。 ai课堂行为分析检测评估算法模型选择Yolo采用卷积网络来提取特征，然后使用全连接层来得到预测值。网络结构参考GooLeNet模型，包含24个卷积层和2个全连接层。 ai课堂行为分析检测评估算法模型对于卷积层和全连接层，采用Leaky ReLU激活函数：max(x,0.1x)max(x,0.1x)。但是最后一层却采用线性激活函数。 在ai课堂行为分析检测评估YOLO系列算法模型中，针对不同的数据集，都需要设定特定长宽的锚点框。 ai课堂行为分析检测评估算法模型中将此功能嵌入到代码中，每次训练时，根据数据集的名称自适应的计算出最佳的锚点框，用户可以根据自己的需求将功能关闭或者打开，具体的指令为parser.add_argument
98330编辑于 2023-09-14 - 来自专栏域名技术与下一代互联网
基于DNS解析行为分析的网络恶意行为检测方法研究
关键词：DNS解析；网络行为分析；恶意行为检测；域名生成算法；异常检测；网络安全1. 本文旨在系统探讨基于DNS解析行为的网络恶意行为检测方法，重点解决传统检测技术在效率与适应性方面的瓶颈。 深度包检测需对每个数据包进行协议解析与内容匹配，计算复杂度随流量速率线性增长。例如，在10Gbps链路中，每秒需处理约1488万帧以太网帧，传统基于CPU的检测系统难以满足实时性要求。 基于DNS解析行为的恶意行为检测模型设计为克服传统检测方法的局限，本文提出一种面向真实网络环境的DNS解析行为分析框架，旨在实现高效、准确、可扩展的恶意行为识别。 测试集：独立采集10万条记录，人工标注验证。对比基线模型：Snort（基于规则）、孤立森林（Isolation Forest）、SVM。
81310编辑于 2025-10-21 - 来自专栏FreeBuf
ossec入侵检测日志行为分析
，我们能不能不安装ossec客户端的情况下来对攻击者攻击的入侵行为捕获呢，这也有利于我们对攻击者的行为有进一步的了解，我比较擅长linux，于是这里还以linux安全为主，对于网络边界来说ssh绝对是保护的重点 ，要收集日志，当然要知道收集这些能做哪些咯，下边来看日志收集的作用，最重要的是如何根据日志进行入侵行为分析。 #039;; 4、触发报警： 要报警需要触发到ossec的规则，比如ssh登录异常，登录异常需要3次来触发，首先配置ossec的规则为： <alerts> <log_alert_level>10 </log_alert_level> <email_alert_level>7</email_alert_level> </alerts> 上边xml的意思是level = 10的日志如果触发规则 总结： 这里就实现了syslog传输日志的需求，其实难点不在这里传输而是在分析，对于中小企业来说，自己写入侵检测规则过于麻烦，这时候能有ossec rules来帮助我们完成这部分繁杂的工作，何乐而不为？
3.6K100发布于 2018-02-01 - 来自专栏燧机科技-视频AI智能分析
监狱人员防自杀行为检测系统
本文提出基于YOLOv7目标检测与时空特征融合的智能监测系统，通过多光谱感知网络-动态行为建模-分级预警联动技术架构，实现0.3-15m/s全场景检测精度（实验室数据），实测响应延迟＜0.7秒。 IP67防护与PoE++供电（80W），适应高湿度环境 边缘计算节点 采用NVIDIA Jetson AGX Orin，算力275TOPS，部署TensorRT加速引擎 （二）算法层核心设计 YOLOv7行为检测优化 （置信度）、声纹分析（异常音频）、生命体征传感器 动态阈值调整：雨季提升悬挂物检测灵敏度至0.88 （三）软件平台功能 边缘预警终端 集成定向声波模块（声压级≥95dB，支持20米内定向提醒） LED 65%提升至93%） 行为关联分析：设计时空图卷积网络（ST-GCN），建模危险行为扩散路径 （二）误报率控制 时序行为过滤：通过时空特征网络分析连续帧状态，排除“囚犯短暂休息”干扰 环境自适应：根据气象站数据动态调整检测阈值 指标实验室数据（NVIDIA A100）实测数据（边缘节点）检测精度（mAP@0.5）96.5%93.8%平均响应时间0.52s0.69s日均处理事件-1520次误报率1.2%2.1%极端环境可用性-
32410编辑于 2026-01-08 - 来自专栏技术汇总专栏
翻墙、攀爬、跨越围栏等违规行为检测数据集（10,000 张图片已划分）—安全检测实践
翻墙、攀爬、违规行为检测数据集（10,000张图片已划分）——安全检测实践在现代城市安全管理与工地监控场景中，“违规攀爬”与“翻越围栏”等行为的实时检测，是视频智能分析系统中的关键功能之一。 为了提升这类行为识别算法的鲁棒性与泛化能力，本文将介绍一个翻墙、攀爬、违规行为检测数据集（共10,000张图片），并结合YOLOv8模型展开技术解析与实战讲解，帮助研究者与开发者快速构建智能检测系统。 二、数据集概述该数据集共包含10,000张图片，均为清晰标注的翻墙、攀爬、非攀爬行为样本，覆盖不同场景、角度与光照条件。 四、适用场景该数据集非常适合用于以下AI视觉任务：应用场景实现目标工地安全监控实时检测违规攀爬、危险行为智能视频分析系统融入行为识别模块，预警入侵智慧园区管理检测翻越围栏或隔离区行为学校安防监控防止学生攀爬围墙 ✅总结关键词：翻墙检测、攀爬行为识别、YOLOv8训练、目标检测、智能安全监控、AI行为分析
92810编辑于 2025-11-01 - 来自专栏小巫技术博客
第10期·AI Rules 行为规范
每日AI知识点 · 第10期 AI Rules 行为规范 让AI按你的规则办事 什么是 AI Rules？ Rules 是约束和引导 AI 行为的规则体系。 没有 Rules，AI 会按自己的理解行动；有了 Rules，AI 会严格按照你设定的边界和标准来执行——就像公司的行为准则一样。 ❌ 没有 Rules AI 随意发挥结果不可预期，难以管控 ✅ 有了 Rules AI 按规则行动输出稳定，行为可预期 Rules 的四个层级 1 全局规则 适用于所有场景的基础行为准则，例如「回答必须使用中文」「禁止输出个人隐私」 2 角色规则 特定角色/职责的专属规范，例如「作为测试工程师，必须考虑边界条件」 3 项目规则 「输出格式必须是JSON」 ❌ 坏Rule：无法执行 「像专家一样回答」「保持一致性」——缺乏可操作的具体标准 今日金句 好的 Rule = 具体 + 可量化 + 有边界，让 AI 行为可预期
13610编辑于 2026-04-13 - 来自专栏燧机科技-视频AI智能分析
特种作业考场实操行为考核检测系统
本文提出基于YOLOv12目标检测与时空行为建模的智能考核检测系统，通过多模态感知-动态操作建模-分级考核联动技术架构，实现实操环节识别精度97.8%（实验室数据），实测响应延迟＜0.6秒。 （二）算法层核心设计 YOLOv12实操行为检测优化 针对特种作业“小目标工具（如保险丝、焊条）、动态操作（如接线缠绕）、复杂背景（油污/金属反光）”问题，优化模型结构与训练策略： # YOLOv12 # 10类：断电/验电/接线/检测/工具归位/绝缘手套佩戴/安全帽佩戴/防护面罩佩戴/违规操作/环节切换 model.add_module('cbam', CBAM(256)) # 通道注意力模块 特种作业考场实操行为考核检测系统基于YOLOv12+RNN深度学习算法，特种作业考场实操行为考核检测系统通过集成AI大模型，可以监测考生考试操作过程中的关键环节，如装配、检测等环节，及时发现问题并记录， 从而提升考生考试作业实操行为的准确性；特种作业考场实操行为考核检测系统可以根据检测结果及时对考生的考试实操过程进行识别反馈，并对考生进行培训和调整，提升考生的技能水平。
31910编辑于 2026-01-12 - 来自专栏燧机科技-视频AI智能分析
智慧课堂学生行为检测评估算法
智慧课堂学生行为检测评估算法通过yolov5系列图像识别和行为分析，智慧课堂学生行为检测评估算法评估学生的表情、是否交头接耳行为、课堂参与度以及互动质量，并提供相应的反馈和建议。 智慧课堂学生行为检测评估算法能够实时监测学生的上课行为，及时掌握学生的表情和参与度，为教师提供及时的反馈。 智慧课堂学生行为检测评估算法中Yolo模型采用一个单独的CNN模型实现end-to-end的目标检测。 智慧课堂学生行为检测评估算法设置和超参数在模型的性能、速度和准确性中起着至关重要的作用。这些设置和超参数可以在模型开发过程的各个阶段影响模型的行为，包括训练、验证和预测。 同样，设置正确的置信度阈值和非最大抑制(NMS)阈值也会影响模型在检测任务上的性能。在YOLO系列框架模型中，智慧课堂学生行为检测评估算法针对不同的数据集，都需要设定特定长宽的锚点框。
94330编辑于 2023-09-15 - 来自专栏燧机科技-视频AI智能分析
工厂人员行为识别检测基于YOLOv7
工厂人员行为识别检测 基于YOLOv7技术来实现的图像识别。人员行为识别图像识别算法是计算机视觉的基础算法，例如VGG，GoogLeNet，ResNet等，这类算法主要是判断图片中目标的种类。 目标检测算法和图像识别算法类似，但是目标检测算法不仅要识别出图像中的物体，还需要获得图像中物体的大小和位置，使用坐标的形式表示出来。 而对于目标检测算法来说，它的输出值更像是这样：目标检测算法的输出其中:pc 为1时代表有物体被检测到，反之，没有物体被检测到，因此其他的输出值可以被忽略图片至于目标检测的用处，现在最大的场景就是无人驾驶 而目标检测相当于无人驾驶系统的眼睛。 在目标检测技术领域，有包含region proposals提取阶段的两阶段(two-stage)检测框架如R-CNN/Fast-RCNN/R-FCN等，再就是端到端的但阶段目标检测框架如YOLO系列和SSD
1.2K00编辑于 2022-12-06 - 来自专栏相约机器人
使用AI来检测违反社交距离的行为
但是如果有很多违规行为，则关闭它可能会更安全。这正是迈阿密海滩公园发生的事情。该公园于4月底开放，但在一周之内关闭，因为太多的人无视与戴着口罩和社交疏远相关的规定。 该市通过人员监视公园并发出警告来检测到此情况。但是人工监视可能不是实际的解决方案。 如何使用AI和机器学习来检测人们是否遵循社会疏离规则？大多数城市已经在公共场所安装了可用于此目的的摄像头。 多对象跟踪的最新技术精度为62.0 为什么需要跟踪人以实现社会疏离检测的目的？这样做的原因是，希望找到违反社会隔离规则的唯一人数。 使用深度排序模型进行人员跟踪 检测违反社会距离的行为 为了检测到社会疏远违规行为，采用框架中的每个轨道并测量其与框架中其他每个轨道的距离。每个轨道基本上都是带有ID的边界框。 一种这样的应用是检测社会疏远违规行为。这可以帮助城市评估公共健康风险并安全地重新开放。 希望尝试一下该代码，并尝试一下更改邻近条件时发生的情况。
1.2K30发布于 2020-05-08 - 来自专栏燧机科技-视频AI智能分析
乱扔垃圾行为检测系统 基于YOLOX与RNN
本文提出一种基于YOLOX目标检测与RNN时序分析的智能检测系统，通过“行为识别-状态监测-分级处置”机制，同步实现对乱扔垃圾行为（非指定区域丢弃）与垃圾桶溢满（填充高度超限）的毫秒级识别、证据留存与主动告警 （二）算法层：YOLOX+RNN双模型协同分析 核心采用“YOLOX目标检测+RNN时序行为研判”两级算法：YOLOX目标检测：定位画面中“人员”“垃圾（塑料袋/纸屑/瓶罐）”“垃圾桶”“溢满状态（垃圾高度 ）”等目标，输出 bounding box 坐标、置信度及属性（如“垃圾类型”“垃圾桶填充率”）； RNN时序分析模型：基于YOLOX连续10帧检测结果（人员轨迹、手部动作、垃圾桶填充率变化），通过LSTM （三）低延迟告警逻辑 系统采用“边缘优先”策略，所有分析指令本地执行：YOLOX检测到目标（置信度＞0.85）→ 提取属性并缓存连续10帧； LSTM模型判定事件（概率＞0.9）→ 边缘节点0.3秒内触发声光报警 乱扔垃圾行为检测系统基于YOLOX+RNN的深度学习算法，乱扔垃圾行为检测系统通过前端摄像头一旦检测到乱扔垃圾行为，系统会立即发出警报，通知相关人员及时处理，从而起到保障社会卫生的作用。
23010编辑于 2025-12-27 - 来自专栏燧机科技-视频AI智能分析
工厂人员作业行为动作识别检测算法
工厂人员作业行为动作识别检测算法通过SVM+R-CNN深度学习算法框架模型，工厂人员作业行为动作识别检测算法实时识别并分析现场人员操作动作行为是否符合SOP安全规范流程作业标准，如果不符合则立即抓拍告警提醒 人员作业行为动作识别检测算法首先基于R-CNN进行人体检测，之后并对其进行追踪，并以相同的帧率生成MHI。 在人员作业行为动作识别检测算法识别中，有很大一部分研究是针对于人体行为识别的，主要进行识别的也是一些家庭内的危险行为，如小孩、老人摔倒检测，外来人员闯入等，这些都可归为人体行为识别的范畴之内。 人员作业行为动作识别检测算法（action recognition），即根据视频图像完成对于人体动作的区分，这其中包括但不限于摔倒等危险动作。 图片人员作业行为动作识别检测算法通过OpenPose进行人体动作关键点的提取，之后利用CNN及SVM来判断是否摔倒。
1.8K31编辑于 2023-09-22 - 来自专栏ml
C++获取鼠标位置及全局检测鼠标行为
ScreenToClient(this->m_hwnd,m_mouse) ; //屏幕转化为客户端 3、获取控件关于在屏幕的位置 CRect rc GetWindowRect(&rc); 4、检测鼠标的 = NULL); 9 } 10 11 BOOL UninstallHook() 12 { 13 14 BOOL jud = FALSE; 15 if (mouse_Hook
4.8K80发布于 2018-03-26
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号