学术背景 随着公共安全需求的日益增加，尤其是在大型宗教活动如麦加朝觐（Hajj）期间，密集人群中的异常行为检测成为了一个至关重要的课题。现有的检测方法在面对遮挡、光照变化和统一着装等复杂条件时，往往表现不佳，导致检测精度下降。为了应对这些挑战，研究者们致力于开发更为先进的计算机视觉技术，以提高实时监测的准确性和效率。 本研究的核心在于提出一种改进的YOLOv8模型——Crowd Anomaly Detection Framework (CADF)，通过集成Soft-NMS（非极大值抑制的软版本）技术，显著提升了在复杂环境下的检测精度。该研究不仅针对Hajj朝觐的特殊场景进行了优化，还在多个公开数据集上进行了验证，展示了其广泛的适用性和鲁棒性。 论文来源 本论文由Rabia Nasir、Zak...

基于概率记忆自编码网络的监控视频异常行为检测研究 学术背景 在智能监控系统中，异常行为检测是一项至关重要的功能，广泛应用于反恐、社会稳定维护和公共安全保障等领域。然而，异常行为检测面临着一个核心挑战：正常行为数据和异常行为数据之间的极端不平衡。正常行为数据通常大量且易于获取，而异常行为数据则稀少且难以预测。这种不平衡使得传统的监督学习方法难以有效训练模型。因此，研究如何利用大量正常行为数据来建模正常行为分布，并以此为基础检测异常行为，成为了一个重要的研究方向。 近年来，基于深度学习的方法在异常行为检测中取得了显著进展。特别是，基于视频帧重建和未来帧预测的方法被认为在性能上优于传统的重建方法。然而，现有的方法在处理复杂场景和多模态正常行为时仍存在局限性。为了解决这些问题，本研究提出了一种基于概...