- 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Java Web
Java 8——行为参数化
Java 8中新增的功能是自Java 1.0发布以来18年以来，发生变化最大的一次。 （1）用行为参数化把代码传递给方法 Java 8中增加了通过API来传递代码的能力，但这实在听起来太绕了，这到底在说什么！ 在Java 8中，这样做起来（不止于匿名类）远远比你想象的要来得更加清晰、简洁。 这就是行为参数化：让方法接受多种行为（或战略）作为参数，并在内部使用，完成不同的行为。 你现在在灵活性和简洁性之间找到了最佳平衡点，这在Java 8之前是不可能做到的！
1.2K70发布于 2018-04-26 - 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
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。 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 # 8类：站立走动/东张西望/交头接耳/手机使用/趴桌睡觉/传递物品/异常聚集/突发奔跑 model.add_module('cbam', CBAM(256)) # 在Backbone后插入通道注意力模块 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 （如沙尘暴模式下提升金属探测权重） （三）系统集成创新 轻量化部署：模型量化至INT8精度，体积压缩至68MB 联邦学习机制：跨区域共享脱敏数据，提升模型对少数民族考生行为的泛化能力 四、实测数据与效果
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
本文系统梳理了传统网络行为检测技术的局限性，提出以DNS解析流量为切入点，构建基于域名特征提取、时序行为建模与异常模式识别的多层次检测框架。 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。 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。 实验设计与结果分析4.1 实验环境与数据集实验在某大型企业网络出口部署原型系统，采集2024年6月至8月共90天的DNS日志，日均处理量约1.2亿条记录。数据经脱敏处理后用于模型训练与测试。
81310编辑于 2025-10-21 - 来自专栏FreeBuf
ossec入侵检测日志行为分析
上次说写的ossec连载，不幸因为工作太忙夭折了，最近缓过神来决定补上第2篇，言归正传,ossec的功能主要是为了防御及抓坏人，但因为攻防之间本来就信息不对称所以防守方需要能早知道攻击者的行为，这点有很多案例来证明 ，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。 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。 0.0005Lux超低照度），按监舍全景（仰角20°）、床铺特写（俯角15°）、活动区（双向覆盖）布防 集成多光谱传感器阵列： 可见光（450-650nm）：姿态识别 近红外（850nm）：夜间体征监测 热成像（8- 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 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 （如沙尘暴模式下提升金属探测权重） （三）系统集成创新 轻量化部署：模型量化至INT8精度，体积压缩至60MB 联邦学习机制：跨区域共享脱敏数据，提升模型对少数民族囚犯行为的泛化能力 四、实测数据与效果
32410编辑于 2026-01-08 - 来自专栏PyQt+YOLO
【AI加持】基于PyQt5+YOLOv8+DeepSeek的吸烟行为检测系统（详细介绍）
YOLOv8作为一种高效的目标检测算法，能够在复杂环境下实现对吸烟行为及相关物品（如烟盒、烟雾等）的实时、高精度识别；结合DeepSeek的语义检索和智能定位能力，可对检测到的吸烟行为进行快速定位和跟踪 总体而言，基于PyQt5+YOLOv8+DeepSeek的吸烟行为检测系统不仅弥补了传统监控方式的滞后性和低效性，还为公共空间的安全管理和健康监测提供了智能化、可视化的技术支撑，具有较高的应用价值和推广前景 2.YOLOv8 YOLOv8（You Only Look Once version 8）是由 Ultralytics 推出的最新一代实时目标检测模型，属于 YOLO 系列的改进版本。 相比前代模型，YOLOv8 在精度、速度和灵活性上都有显著提升，支持目标检测、图像分割、姿态估计等多任务处理。 4.AI（DeepSeek）智能分析 将YOLOv8球体检测系统与DeepSeek等AI大模型深度融合，能够实现从“单纯检测”到“智能认知”的跨越式升级。
34010编辑于 2025-12-07 - 来自专栏PyQt+YOLO
【AI加持】基于PyQt5+YOLOv8+DeepSeek的摔倒行为检测系统（详细介绍）
一．前言基于PyQt5+YOLOv8+DeepSeek的摔倒行为检测系统的提出，源于智能安防与智慧养老快速发展的时代背景。 2.YOLOv8YOLOv8（YouOnlyLookOnceversion8）是由Ultralytics推出的最新一代实时目标检测模型，属于YOLO系列的改进版本。 酒店及商业场所安全保障在酒店走廊、商场扶梯附近对顾客、行人的摔倒行为进行识别与提示。YOLOv8模型支持大范围人流检测，DeepSeek模型提升异常事件分析能力。 YOLOv8作为核心行为识别模型，通过多线程架构与DetectThread深度适配，实现了对人物姿态、异常行为以及摔倒事件的高速推理。 本次给大家介绍了我使用PyQt5+YOLOv8+DeepSeek的摔倒行为检测测系统，本系统功能强大，支持多种数据源输入，包含多种用户交互按钮以及模式，内置数据可视化方案、大模型AI加持，是您学习、工作使用的不错选择
58031编辑于 2025-12-11 基于yolov8的驾驶员行为检测疲劳检测系统python源码+onnx模型+评估指标曲线+精美GUI界面
【算法介绍】 基于YOLOv8的驾驶员行为检测疲劳检测系统是一种创新的驾驶安全解决方案。 该系统利用YOLOv8这一先进的目标检测算法，结合驾驶员疲劳驾驶数据集，能够实时、准确地监测并分析驾驶员的面部表情和行为模式，从而快速识别疲劳状态。 YOLOv8以其高效性和准确性在多个领域得到了广泛应用。 在驾驶员行为检测中，它能够捕捉并分析眨眼频率、打哈欠次数及头部姿态等疲劳特征，一旦检测到疲劳迹象，系统便会立即发出预警，有效预防因疲劳驾驶引发的交通事故。 总的来说，基于YOLOv8的驾驶员行为检测疲劳检测系统是提升道路安全、优化车队运营的重要工具，具有广泛的应用前景。
45510编辑于 2025-07-21- 来自专栏技术文献
Java8——行为参数化传递代码
匿名类还是不够好，第一，它往往很笨重，占用了很多的空间，第二，使用起来让人费解，导致代码可读性不高，即使匿名类处理在某种程度上改善了为一个接口声明好几个实体类的啰嗦问题，但是还是不能令人满意，自java8引入的 Apple apple)-> "red".equals(apple.getColor())); 不得不承认，使用lambda表达式改写之前的代码确实干净很多，因为它看起来更像问题陈诉本身了，解决了啰嗦的问题 8、 9、小结 行为参数化，就是一个方法接收不同的行为作为参数，并在内部使用他们，完成不同行为的能力。 行为参数化可以让代码更好的适应不断变化的要求，减轻未来的工作量。 传递代码，就是将新行为作为参数传递给方法，但是在java8之前实现起来很啰嗦。为接口声明许多只用一次的实体类而造成的啰嗦代码，在java8之前可以用匿名类来减少。 java API 包含很多可以用不同行为进行参数化的方法，包括排序、线程等。
63130发布于 2020-09-02 - 来自专栏java一日一条
暴露程序猿身份的8个行为
近年来，在Stack Exchange和Quora上也有过类似的讨论，我们这里总结了程序员日常生活中经常表现出来的8个编程思维。你有没有同感呢？ 当然，还有一些约定俗成的编程规范，如代码缩进（是缩进4个字符还是8个字符）、注释风格，采用骆驼式（CamelCase）或帕斯卡式（Pascal）来命名变量或函数等等。 日常行为：这些编程习惯可能就会影响到程序员的日常文档书写习惯，比如写邮件时会用分号来结束一行内容等。 日常行为：这些快捷键有时在程序员的行为和话语中表现的很常见，这也会在一些场合引起尴尬。 例子： "Mentally trying to Ctrl-Z on things I just said. 日常行为：常常不以10进制而是以2进制进行计算。一些平常的日子在程序员眼里也变得很神奇，如程序员日就是每年的第256天（2^8），也有人推荐将每年的10月24日作为程序员日（2^10）。
48510发布于 2018-09-18 - 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。 集成多光谱传感器阵列： 可见光（450-650nm）：操作环节（如“断电”“接线”“检测”）识别； 近红外（850nm）：夜间/弱光环境工具特征增强（如焊枪电极磨损检测）； 热成像（8-14μm）：设备异常温升监测 （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 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Java架构师历程
Java 8：1行为参数化
18 次查看 行为参数化本质上是一块代码并使其可用而不执行它。例如，它可以传递给方法。由于Java 8引入了lambdas（最后），现在可以使用匿名函数来参数化方法的行为。 将行为作为参数传递可以帮助减轻变化的痛苦。 不幸的是，有些应用程序无法升级以与最新版本的Java一起运行。因此，我将介绍可用于Java 8之前的运行时的替代解决方案。 Java 8 lambdas 最新版本带来了一些新功能，可以提高代码的可读性，并帮助语言在未来保持竞争力。让我们看看书籍过滤示例，看看行为参数化如何与语言中内置的lambdas一起使用。 迭代由Streams API处理，由于lambda，行为是可参数化的。因此，Java 8不是编写大量的样板代码，而是处理常见的任务，只需一行代码即可解决手头的问题。 行为参数化很好，因为它使您能够将迭代集合的代码与应用于集合的每个元素的行为分开。这样可以更好地重用代码，并帮助您编写更灵活的API。
2K20发布于 2019-03-08 - 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
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