Mobile-Le Harmonic Fusion Network for Object Recognition and SiamMoT Based Multi-Object Tracking Using Video Surveillance
Notice bibliographique
Résumé
Video surveillance plays a vital role in applications like crowd control, traffic monitoring, and security, but accurately tracking multiple moving objects remains challenging. Traditional methods often lack reliability in complex scenes. To address this, the Mobile-Le Harmonic Fusion Network (MLeHF-Net) + SiamMoT (MLeHF-Net + SiamMoT) combined with SiamMoT has been introduced, offering improved object detection and tracking performance. The process starts by extracting video from the dataset and breaking it into frames, which are segmented using Entropy Weighting K-Means (EWKM). Objects are then detected via MLeHF-Net a fusion of LeNet, Harmonic analysis, and MobileNet and tracked using the Siamese Multi-Object Tracking network (SiamMoT). This study uses the UCSD Anomaly Detection Dataset to benchmark video surveillance performance. The proposed MLeHF-Net + SiamMOT model is compared with established methods You Only Look Once (YOLOv2) + LuNet, SMSBoxNet, Densely Feature Selection Convolutional Neural Network – Hyper Parameter tuning (DFCN-HP), and Computational Intelligence-based Harmony Search Algorithm for Real-Time Object Detection and Tracking (CIHSA-RTODT). Experimental results show that proposed method achieved high performance with MOTP, TNR, TPR, and overall accuracy of 91.099%, 91.134%, 93.577%, and 92.315%. Compared to existing methods YOLOv2 + LuNet, SMSBoxNet, DFCN-HP, and CIHSA-RTODT it delivered accuracy improvements of up to 13.72%.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».