Enhanced Campus Security Target Detection Using a Refined YOLOv7 Approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In many educational institutions, safety management traditionally depends upon manual video surveillance, leading to potential delays in the identification and alerting of perilous activities, notably the possession of controlled knives and smoking behaviors exhibited by students.These activities possess significant consequences for both the psychological and physical well-being of students.Recognizing this pressing need, an augmented object detection method for campus security, rooted in YOLOv7, is presented.The EIoU (Efficient Intersection over Union) loss function has been substituted to expedite model convergence and heighten detection fidelity.Additionally, the integration of the CBAM (Convolutional Block Attention Module) attention mechanism with the DCNv2 (Deformable ConvNets v2) deformable convolutional kernel not only mitigates the challenge of information inundation but also enhances feature extraction capabilities, facilitating adjustments to geometric deformations.Experimental findings indicate that this proposed method achieves a detection accuracy of 92.6% across various categories on a dataset comprising three categories, spanning a total of 4500 images, and attains an mAP of 96.4%.In comparison to the conventional YOLOv7 algorithm, enhancements in detection accuracy and mAP by 6.9% and 6.6%, respectively, have been observed, affirming the efficacy of the presented algorithm.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle