改进Tiny YOLOv3：深度学习助力扶梯异常行为高效检测

"该文针对Tiny YOLOv3在扶梯异常行为检测中的不足，提出了一种改进的网络结构，通过K-means++聚类优化先验框参数，使用多层深度可分离卷积增强特征提取，并增加尺度融合提升预测层性能。经过GPU多尺度训练，模型的漏检率降低，精度提高，且保持了较高的检测速度。" 基于深度神经网络的扶梯异常行为检测是当前智能监控领域的一个重要研究方向。Tiny YOLOv3是一种轻量级的物体检测算法，因其速度快而被广泛应用，但在扶梯异常行为检测中存在高漏检率和低准确率的问题。为解决这些问题，研究者们提出了改进策略。 首先，利用K-means++聚类算法对数据集中的目标边框进行分析，这是一种有效的无监督聚类方法，能有效地将相似的目标归类。通过聚类结果，可以优化Tiny YOLOv3的先验框参数，使得网络在训练时更具有针对性地检测扶梯异常行为，从而降低漏检率。 其次，引入多层深度可分离卷积（Deep Separable Convolution）以替换原始的卷积层。深度可分离卷积由深度卷积和逐点卷积两部分组成，能够在减少计算量的同时，有效地提取图像的深层次语义信息，增强网络的特征表示能力，使网络结构得以加深，提高检测的准确性。 此外，为了融合不同层次的语义信息，研究者在原有的Tiny YOLOv3预测层结构基础上增加了一个尺度，这有助于捕捉到不同尺度的异常行为，尤其是那些可能被忽略的细节。这种改进使得网络能够更好地理解图像中的复杂情况，提高检测的全面性。 最后，通过在GPU上进行多尺度训练，可以加速模型的训练过程，同时寻找最优的权重模型。这种方法能够使模型适应不同大小的输入，提升检测速度，确保实时性的需求。 实验结果显示，优化后的模型相比于Tiny YOLOv3，平均漏检率降低了22.8%，检测精度提升了3.4%，检测速度提高了约1.7倍。这意味着改进的模型在保持快速响应的同时，显著提高了检测的准确性和可靠性，对于扶梯异常行为的实时监测具有重要意义。 这项工作成功地改进了Tiny YOLOv3，使其更适合于扶梯异常行为检测，对于提升公共安全监控系统的效能具有重要的实践价值。未来的研究可以进一步探索如何在更大规模的数据集上优化模型，以及如何应用到更多类似的异常行为检测场景中。