基于特征传播的时域分割网络行为识别

为了高效、准确地获得视频中的行为类别和运动信息,减少计算的复杂度,文中提出一种融合特征传播和时域分割网络的视频行为识别算法.首先将视频分为3个小片段,分别从相应片段中提取关键帧,从而实现对长时间视频的建模;然后设计一个包含特征传播表观信息流和FlowNet运动信息流的改进时域分割网络(P-TSN),分别以RGB关键帧、RGB非关键帧、光流图为输入提取视频的表观信息流和运动信息流;最后将改进时域分割网络的BN-Inception描述子进行平均加权融合后送入Softmax层进行行为识别.在UCF101和HMDB51这2个数据集上分别取得了94.6%和69.4%的识别准确率,表明该算法能够有效地获得视频中空域表观信息和时域运动信息,提高了视频行为识别的准确率.

基于TSN的化学实验室人员不安全行为模式识别

不安全行为是导致化学实验室事故的重要原因之一,针对化学实验室人员不安全行为模式识别的研究具有现实意义。本文首先定义了5种化学实验室人员不安全行为模式,进而根据某高校化学实验室实际场景,构建了不安全行为模式视频数据集,并建立基于时域分割网络(TSN)的化学实验室人员不安全行为模式识别模型,在模型中增加dropout层,最后使用SoftMax分类器对不安全行为进行识别。结果表明:本文模型可以准确识别本文定义的化学实验室不安全行为,召回率、精确率大于0.9,F1指数大于0.95,预期可以为化学实验室人员不安全行为的预警和风险防控提供技术支持。