惩罚机制对网络谣言识别行为的影响研究

[目的/意义]通过一定惩罚机制促使网民主动识别谣言,能够有效抑制网络谣言传播。[方法/过程]运用计划行为理论和威慑理论,构建惩罚机制影响网络谣言识别行为的结构方程模型,并且基于265份有效问卷进行实证分析。[结果/结论]研究发现,惩罚机制确实可以对网民的网络谣言识别行为产生一定影响,但是促使网民主动识别谣言,仅有惩罚机制是不够的,还需要通过加强宣传教育改变网民的态度,通过改善信息沟通机制降低识别网络谣言的难度。

农户创业机会识别行为的影响因素实证分析——基于518份农户创业调查

采用对全国农户创业的调查数据,运用Probit多元调节回归分析的方法,分析了农户创业机会识别行为的影响因素和作用机理。研究发现:人口统计特征是影响农户创业者机会识别行为的重要因素,但其影响程度弱于创业者特质,新特质论在农户创业的机会识别行为中得到验证;创业环境正在成为影响创业机会识别行为的重要因素,其对创业者的社会网络、先前经验的调节效应强于对创业者心理特质的调节效应。

白蚁巢间识别行为研究进展

白蚁是一类古老的社会性昆虫，其巢内有众多个体。为了维持巢群的健康发展，巢内个体间进化了同伴识别行为。近几年中，国内外许多白蚁研究工作者，对白蚁同巢个体间的识别机理作了大量研究，取得了大量进展，但迄今为止仍未完全阐明。本文介绍了国内外这方面的研究进展。

多场景下基于传感器的行为识别

针对基于传感器的行为识别任务中识别场景单一且固定的问题,提出一种多场景下基于传感器的行为识别迁移模型,由基于传感器的动态感知算法(dynamic perception algorithm,DPA)和自适应场景的行为识别迁移方法(adaptive scene human recognition,AHR)两部分组成,解决在固定场景下对传感器的依赖性以及在场景转换时识别模型失效的问题。DPA提出两阶段迁移模式,将行为识别阶段和模型迁移阶段同步推进,保证模型在传感器异动发生后仍能持续拥有识别能力。进一步提出AHR场景迁移方法,实现模型在多场景下的行为识别能力。实验验证该模型具有更优的适应性和可扩展性。

融合Res3D、BiLSTM和注意力机制的羊只行为识别方法

识别动物行为可以为疾病预防和合理喂养提供重要依据,从而有助于更好地关注动物的健康和福利。本文提出了一种融合三维残差卷积神经网络、双向长短期记忆网络和注意力机制的深度学习网络模型(AdRes3D-BiLSTM)。AdRes3D-BiLSTM模型可以直接针对视频流进行识别,在AdRes3D部分引入了深度可分离卷积和注意力机制,不但减少了浮点运算量,提升了网络轻量化程度,还提高了时间和空间两个维度的特征提取能力;提取的特征被输入BiLSTM模块后,从前后2个方向对时序特征向量进行筛选和更新,最后对羊只行为进行准确识别。试验结果表明,AdRes3D-BiLSTM对羊只站立、躺卧、进食、行走和反刍5种行为的综合识别准确率达到了98.72%,帧速率达到52.79 f/s,模型内存占用量为28.03 MB。研究结果为基于视频流的动物行为识别提供了新的方法和思路。

基于改进YOLO v5n的舍养绵羊行为识别方法

日常行为是家畜健康状况的重要体现,在传统的行为识别方法中,通常需要人工或者依赖工具对家畜进行观察。为解决以上问题,基于YOLO v5n模型,提出了一种高效的绵羊行为识别方法,利用目标识别算法从羊圈斜上方的视频序列中识别舍养绵羊的进食、躺卧以及站立行为。首先用摄像头采集养殖场中羊群的日常行为图像,构建绵羊行为数据集;其次在YOLO v5n的主干特征提取网络中引入SE注意力机制,增强全局信息交互能力和表达能力,提高检测性能;采用GIoU损失函数,减少训练模型时的计算开销并提升模型收敛速度;最后,在Backbone主干网络中引入GhostConv卷积,有效地减少了模型计算量和参数量。实验结果表明,本研究提出的GS-YOLO v5n目标检测方法参数量仅为1.52×10^(6),相较于原始模型YOLO v5n减少15%;浮点运算量为3.3×10^(9),相较于原始模型减少30%;且平均精度均值达到95.8%,相比于原始模型提高4.6个百分点。改进后模型与当前主流的YOLO系列目标检测模型相比,在大幅减少模型计算量和参数量的同时,检测精度均有较高提升。在边缘设备上进行部署,达到了实时检测要求,可准确快速地对绵羊进行定位并检测。

基于多尺度骨架图和局部视觉上下文融合的驾驶员行为识别方法

识别非驾驶行为是提高驾驶安全性的重要手段之一。目前基于骨架序列和图像的融合识别方法具有计算量大和特征融合困难的问题。针对上述问题,本文提出一种基于多尺度骨架图和局部视觉上下文融合的驾驶员行为识别模型(skeleton-image based behavior recognition network,SIBBR-Net)。SIBBR-Net通过基于多尺度图的图卷积网络和基于局部视觉及注意力机制的卷积神经网络,充分提取运动和外观特征,较好地平衡了模型表征能力和计算量间的关系。基于手部运动的特征双向引导学习策略、自适应特征融合模块和静态特征空间上的辅助损失,使运动和外观特征间互相引导更新并实现自适应融合。最终在Drive&Act数据集进行算法测试,SIBBR-Net在动态标签和静态标签条件下的平均正确率分别为61.78%和80.42%,每秒浮点运算次数为25.92G,较最优方法降低了76.96%。

基于多模态数据的人体行为识别方法研究综述

人体行为识别广泛应用于智能安防、自动驾驶和人机交互等领域。随着拍摄设备和传感器技术的发展,可获取用于人体行为识别的数据不再局限于RGB数据,还有深度、骨骼和红外等多模态数据。详细介绍了基于RGB和骨骼数据模态的人体行为识别任务中特征提取方法,包括基于手工标注和基于深度学习的方法。对于RGB数据模态,重点分析了基于双流卷积神经网络、3D卷积神经网络和混合网络的特征提取算法。对于骨骼数据模态,介绍了目前流行的单人和多人姿态评估算法;重点分析了基于卷积神经网络、循环神经网络和图卷积神经网络的分类算法;进一步全面展示了两种数据模态的通用数据集。此外,基于RGB和骨骼各自的数据结构特征,探讨了目前面临的挑战,最后对未来基于深度学习的人体行为识别方法的研究方向进行了展望。

基于骨骼的人体行为识别方法研究综述

人体行为识别在视频理解中发挥了重要作用.近年来,基于骨骼的行为识别方法因其对复杂环境的干扰更具鲁棒性而受到广泛关注.文中共整理了102种基于骨骼的人体行为识别方法,并在9个公开数据集上对其进行了对比分析.按照特征学习方式的不同,分别介绍了基于手工特征的方法和基于深度学习的方法.其中,基于手工特征的方法按特征描述符的不同分为几何描述符、动力学描述符、统计描述符3个子类;基于深度学习的方法按网络主体的不同分为循环神经网络、卷积神经网络、图卷积网络、Transformer和混合网络5个子类.通过以上分析,不仅阐述了基于骨骼的行为识别方法的发展历程,还剖析了现有方法存在的泛化能力不强、计算成本高等局限.最后,从网络结构设计、相似动作区分、领域数据集拓展、多人交互等方面对未来研究方向进行了展望.

基于人体骨架的扶梯乘客异常行为识别方法

为准确识别乘客搭乘自动扶梯时的异常行为,避免安全事故的发生,提出了一种基于人体骨架的扶梯乘客异常行为识别方法。首先使用YOLOX-Tiny对视频中乘客位置进行检测,通过Alphapose算法提取骨骼关键点坐标,降低复杂背景的干扰;再使用多流膨胀3D卷积模块增强时空特征提取能力,聚合乘客骨架的全局特征;然后将其输入改进后的时空图卷积网络中提取乘客骨架信息,通过MS-TCN模块扩大接受域以增强时间特征的提取,联合人体关键点注意力模块(Key Point Attention Module,KPAM)提升网络对相似动作的关键骨架的关注度;最后通过Softmax对异常动作进行分类。采集扶梯运行现场视频制作数据集,试验结果表明,本文算法对乘客异常行为的识别精度达到96.1%,可应用于扶梯现场的视频监控系统,提高安全管理信息化水平。

基于双流自适应图卷积网络的管制员睡岗行为识别

为识别空中交通管制员的睡岗行为,减少管制差错,保障航空器飞行安全,提出了一种基于双流自适应图卷积网络的管制员睡岗行为识别方法。该方法设计双流网络分别处理管制员骨架的一阶信息和二阶信息,实现对骨架数据的充分提取;通过自适应学习的骨骼拓扑连接矩阵,挖掘管制员不同关节之间的功能连接关系;同时在卷积层引入时空通道注意力机制,增强管制员睡岗行为识别模型在时间、空间、通道3个方向提取重要信息的能力。仿真结果表明,该方法能有效识别管制员3种睡岗行为,相较于传统的时空图卷积网络,识别准确率提高了3.08百分点,达到95.03%,可以提高民航运行安全管理水平。

数字化背景下供电营业厅服务行为识别研究

为了改善电力服务行业场景复杂,服务行为识别困难的问题,提出了一种供电营业厅服务行为识别融合网络。该网络主要包括时空分割网络模型和改进C3D网络模型。首先,在从视频中提取光流帧和RGB帧。其次,将提取出的光流帧和RGB帧带入时空分割网络和改进C3D网络经过训练,从而有效提取动作特征和图像特征。最后,在分类层,计算每个网络对每类服务动作的识别准确率,通过Softmax公式确定权重,并得到最终动作识别结果。仿真阶段,以南方电网公司提供的服务视频数据集为例,对所提模型进行验证。仿真结果表明,所提方法识别准确率为98.99%,召回率为90.2%,F分数为94.39%。仿真结果进一步验证了所提模型对服务行为具有较高的准确性和稳定的识别率。

云边环境下微服务通信网络入侵行为识别方法

通信网络入侵行为具有多样性,难以保障入侵行为的识别效果,因此提出一种云边环境下微服务通信网络入侵行为识别方法。引入非线性变换函数,对微服务通信网络入侵行为的特征进行半监督学习,通过将原始入侵行为映射到高维空间,获取正常运行状态下特征向量的参数。在构建以改进降噪自编码网络为基础的网络入侵行为识别模型的过程中,引入注意力机制,根据网络状态数据的重构误差与所设定的网络入侵行为特征阈值之间的差异,判断具体的入侵行为。根据测试结果,该方法能够准确识别出不同类型的入侵攻击。

基于改进ConvNeXt的奶牛行为识别方法

奶牛的动作行为(进食、躺卧、站立、行走和甩尾)直接或间接地反映了奶牛的健康及生理状况,是奶牛疾病监测及感知奶牛异常的关键,为准确高效地对奶牛行为进行识别,提出了一种融合时间和空间注意信息的多分支并行的CAFNet(ConvNeXt-ACM-FAM)奶牛行为识别模型,该模型在卷积网络ConvNeXt的基础上融合非对称多分支卷积模块(ACM)和特征注意力模块(FAM)。首先,利用ACM划分通道分支提取特征并保留一部分原始特征,防止信息过度丢失。其次,FAM对不同通道的特征进行融合并引入SimAM注意力机制,不增加网络参数的同时增强重要特征的有效提取。实验结果表明,该方法对进食、躺卧、站立、行走和甩尾行为识别准确率分别为95.50%、93.72%、90.26%、86.43%、89.39%,平均准确率为91.06%,参数量相较于原模型减少了1.5×10^(6),浮点运算量减少了3×10^(8),相较于其他模型,本文模型识别平均准确率平均提升8.63个百分点。本文研究成果可为奶牛疾病监测及预防提供技术支持。

基于骨架序列多算法的粮仓作业人员异常行为视频识别

粮仓是保障粮食储藏安全的重要设施。粮仓为封闭大空间,仓内光照昏暗、空气流通差,熏蒸、气调等作业增加了人员安全隐患,通过仓内安防视频对作业人员的异常行为进行识别与分析,是作业人员安全操作的一项重要技术保障。提出了一种基于骨架序列多算法的粮仓内作业人员异常行为的视频识别算法。首先,利用YOLOv3tiny模型对人体进行快速检测,结合Sort对多目标进行运动轨迹跟踪,通过AlphaPose模型提取人体骨架坐标序列及权重信息;进而,根据人体骨架自然连接节点构成的实际空间图(RSG)和虚拟人体的重心与头、手、脚互连构建的虚拟空间图(VSG),基于人体动力学重心与手脚互动的平衡性,提取仓内作业人员异常行为的空间特征和串联时间卷积(TC)的时空特征;最后,提出了虚实结合的时空图卷积网络(VR-STGCN)仓内作业人员的异常行为视频识别算法。同时自建了混合数据集,并将VR-STGCN与SSD、PCANet、Two-StreamCNN、STGCN等四种算法进行了对比实验与分析。结果表明:VR-STGCN各项指标均优于其他四种算法;VR-STGCN能够在光线不足、多目标、远距离等复杂环境下准确地识别出仓内人员的跌倒、爬行、躺平等异常行为,识别准确率达到97.7%,处理速度为18.67 fps,能够实时分析作业人员异常行为。研究成果为复杂环境下粮仓作业人员的安全保障提供了一种全新高效的技术。

对先进多功能雷达系统行为的识别、推理与预测:综述与展望

多功能雷达(Multi-Function Radar,MFR)是先进体制雷达辐射源的典型代表,其能够在雷达时间线上对多个目标调度多个同时执行的任务,具有波束指向瞬时调度、工作模式灵活动态、信号调制复杂多变的特点。随着计算智能、认知理论、数字阵列、软件自定义及硬件可重构系统的不断发展,先进多功能雷达系统自由度和性能潜力不断提升,给现代电子侦察与对抗系统带来了巨大挑战。本文首先较为全面地给出了雷达系统行为的分类,依据雷达系统行为活动的内容与目的将雷达行为分为推理行为、决策行为和动作行为三类,并从雷达方和侦察方两个不同视角对上述三类行为进行了归类划分。然后围绕对先进MFR系统行为的感知识别难题,从侦察方视角对多功能雷达行为进行分析识别的侦察分析模型建模表征、雷达系统外显行为识别、内隐行为推理以及对未来行为预测等四方面对相关基础理论、实现技术的研究进行了全面梳理,并对未来研究面临的挑战和重点进行了分析,旨在为针对先进MFR系统行为相关的后续理论研究与技术发展提供有益参考。

基于全局双线性注意力的红外视频行为识别

针对红外视频缺少纹理细节特征以致在人体行为识别中难以兼顾计算复杂度与识别准确率的问题,提出一种基于全局双线性注意力的红外视频行为识别方法。为高效计算红外视频中的人体行为,设计基于两级检测网络的关节点提取模块来获得人体关节点信息,创新性地将所形成的关节点三维热图作为红外视频人体行为识别网络的输入特征;为了在轻量化计算的基础上进一步提升识别准确率,提出一种全局双线性注意力的三维卷积网络,从空间和通道两个维度提升注意力的建模能力,捕获全局结构信息。在InfAR和IITR IAR数据集上的实验结果表明,该方法在红外视频行为识别中的有效性。

基于改进YOLO v8的牛只行为识别与跟踪方法

随着我国畜牧业的快速发展,牛只养殖由分散性养殖逐渐向精准化养殖转变。针对分散养殖中农户无法对每头牛只健康状况给予足够关注的问题,通过分析牛只行为模式结合视觉方向特征,设计了综合管理方法来准确识别和跟踪牛只行为。首先,采用改进YOLO v8算法对牛只进行目标监测,其中,在Backbone和Neck端使用C2f-faster结构,增强模型特征提取能力;引入上采样算子CARAFE,拓宽感受视野进行数据特征融合;针对牛只幼仔检测加入BiFormer注意力机制,以识别牛只小面积特征;更换动态目标检测头DyHead,融合尺度、空间和任务感知;然后,使用Focal SIoU函数,解决正负样本分配不均衡和CIoU局限性的问题。最后,将YOLO v8检测到的行为类别信息引入BoTSORT算法中,实现在复杂场景下牛只多目标行为识别跟踪。实验结果表明,提出的FBCD-YOLO v8n(FasterNet、BiFormer、CARAFE、DyHead)模型在牛只行为数据集上,相比较YOLO v5n、YOLO v7tiny和原YOLO v8n模型的mAP@0.5分别提升3.4、3.1、2.4个百分点,尤其牛只回舔行为识别平均精度提高7.4个百分点。跟踪方面,BoTSORT算法的MOTA为96.1%,MOTP为78.6%,IDF1为98.0%,HOTA为78.9%;与ByteTrack、StrongSORT算法比,MOTA和IDF1显著提升,跟踪效果良好。研究表明,在牛舍养殖环境下,本研究构建的多目标牛只行为识别跟踪系统,可有效帮助农户监测牛只行为,为牛只的自动化精准养殖提供技术支持。

深度学习的工人多种不安全行为识别方法综述

随着深度学习的发展,目标检测和行为识别方法在工人不安全行为识别领域取得了较大进展,对近年来国内外相关研究工作进行系统性归纳,详细阐述了目标检测方法和行为识别方法中的常用模型和效果,重点评述了两类方法在不安全行为识别上的应用和两类方法结合使用的相关研究,对各种方法的优势、局限性、识别行为类别及适用场景进行了全面分析对比。在此基础上,针对近年来目标检测和行为识别的优化措施,总结了常用的优化方向和手段,归纳了在不安全行为识别上成功应用的改进方法,梳理了该研究领域的难点和问题,并给出建议和未来发展趋势展望,为该领域的研究提供参考和借鉴。

基于双路时空网络的驾驶员行为识别

驾驶员危险驾驶行为是恶性交通事故发生的主要原因之一,因此识别驾驶员行为具有工程应用上的重要意义。目前,主流基于视觉的检测方法是对驾驶员行为的局部时空特征进行研究,针对全局空间特征及长时序相关性特征研究较少,这在一定程度上无法结合场景上下文信息对危险驾驶行为进行识别。为了解决上述问题,提出一种基于双路时空网络的驾驶员行为识别方法,整合不同时空通路的优点以提高行为特征丰富度。首先,使用一种改进的双流卷积神经网络(TSN)对时空信息进行表征学习,同时降低提取特征的稀疏性;其次,构建一种基于Transformer的串行时空网络补充长时序相关性信息;最后,联合双路时空网络进行融合决策,增强模型的鲁棒性。实验结果表明,所提方法在驾驶员疲劳检测数据集YawDD、驾驶员分心检测数据集SF-DDDD和最新驾驶员行为识别数据集SynDD1这3个公开数据集上分别取得99.85%、99.94%和98.77%的识别准确率,特别是在SynDD1上,与使用动作识别的网络MoviNet-A0相比识别准确率提升了1.64个百分点;消融实验结果也验证了该方法对驾驶员行为有较高的识别精度。