Did You Miss the Sign? A False Negative Alarm System for Traffic Sign Detectors
Queensland University of Technology(昆士兰科技大学);Australian Centre for Robotic Vision(澳大利亚机器人视觉中心)
目标检测是自动驾驶车辆的一个组成部分,用于其安全关键和导航目的。交通标志作为一种对象,在引导这种系统中起着至关重要的作用。然而,如果车辆未能找到任何关键标志,它可能会造成灾难性的故障。在本文中,我们提出了一种方法来识别交通标志已被错误地丢弃的对象检测器。所提出的方法提出了一个警报,当它发现一个失败的对象检测器检测交通标志。这种方法对于在部署阶段评估检测器的性能非常有用。我们训练了一个Single Shot多盒对象检测器来检测交通标志,并使用其内部特征来训练一个单独的假阴性检测器(FND)。在部署期间,FND决定交通标志检测器(TSD)是否错过了标志。我们使用查准率和查全率来衡量FND在两个不同数据集中的准确性。对于80%的召回率,FND在比利时交通标志检测数据集和德国交通标志识别基准数据集中分别达到了89.9%和90.8%的准确率。据我们所知,我们的方法是第一个解决机器人视觉中假阴性检测这一关键方面的方法。这种用于目标检测的故障安全机制可以改善机器人视觉系统在我们日常生活中的参与。
2019-03-15 cs.CV
An optimization method for out-of-distribution anomaly detection models
Beijing Jiaotong University(北京交通大学);University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
频繁的误报阻碍了无监督异常检测算法在工业应用中的推广。通过研究分布外异常检测任务中预测分数的密度概率分布,揭示了依赖于训练检测器的虚警的潜在特征。一个基于SVM的分类器被利用作为后处理模块,以识别假警报从异常图在对象级别。此外,设计了一种样本合成策略,将模糊先验知识结合到无异常训练数据集的特定应用中。实验结果表明,该方法全面提高了两个分割模型在图像和像素水平上的两个工业应用的性能。
2023-02-02 cs.CV
CFARnet: deep learning for target detection with constant false alarm rate
针对恒定虚警率目标检测问题,提出CFARnet深度学习框架,理论证明其渐近等价于GLRT,实验显示可灵活权衡CFAR与准确性。
2023-11-15 cs.CV cs.LG
Clean-Reference Streaming Detection of Lens Occlusion and Photometric Transitions for Camera Tamper Monitoring
Auckland University of Technology(奥克兰理工大学);Guilin University of Electronic Technology(桂林电子科技大学)
研究针对相机镜头遮挡和光度转换的监测问题,提出通过比较采样数据与清洁参考、应用多种抑制方法来检测,在多组实验中取得较好效果,能保持低误报率,可作为可审计的传感器健康子系统。
2026-07-17 cs.CV
Online Anomaly Detection in Surveillance Videos with Asymptotic Bounds on False Alarm Rate
University of South Florida(南佛罗里达大学)
监控视频中的异常检测越来越受到人们的关注。尽管最近的方法具有竞争力的性能,但它们缺乏理论性能分析,特别是由于决策中使用的复杂的深层神经网络架构。此外,在线决策是这一领域中一个重要但大多被忽视的因素。许多声称在线的现有方法实际上依赖于批处理或离线处理。出于这些研究的差距,我们提出了一种在线异常检测方法在监控视频的虚警率的渐近界,这反过来又提供了一个明确的过程,选择一个合适的决策阈值,满足所需的虚警率。我们提出的算法由一个多目标深度学习模块和一个统计异常检测模块组成,它的有效性在几个公开的数据集上得到了证明,在这些数据集上,我们的性能优于最先进的算法。所有代码都可以在https://github.com/kevaldoshi17/Prediction-based-Video-Anomaly-Detection-上找到。
2020-10-10 cs.CV cs.LG eess.IV
End-to-End Pedestrian Collision Warning System based on a Convolutional Neural Network with Semantic Segmentation
DGIST(大邱庆北科学技术院)
传统的行人碰撞警告系统有时甚至在没有危险时也会发出警报(例如,当所有行人都在人行道上行走时)。这些假警报可能会使驾驶员难以集中精力驾驶。在本文中,我们提出了一个新的框架,端到端的行人碰撞预警系统的基础上卷积神经网络。使用语义分割信息来训练卷积神经网络,并最小化交叉熵和欧几里得损失等两个损失函数。最后,我们证明了我们的方法在减少误报和提高预警精度相比,传统的直方图的方向梯度(HoG)为基础的系统的有效性。
2016-12-20 cs.CV
Enhanced Facial Recognition Framework based on Skin Tone and False Alarm Rejection
University of Texas at Arlington(德克萨斯大学阿灵顿分校)
人脸检测是计算机视觉中具有挑战性的任务之一。人脸检测在人脸识别、人脸跟踪、图像数据库管理等人脸处理应用的第一阶段起着至关重要的作用。在这些应用中,人脸对象往往来自图像中包含变化的无关紧要的部分,即不同的光照、姿态和遮挡。这些变化会显著降低人脸检测率。大多数现有的人脸检测方法是不准确的,因为它们不能解决非结构化的图像,由于大的外观变化,只能检测人脸在一个特定的变化。现有的人脸检测框架需要改进,以提高检测率和减少检测时间,在规定的变化下检测人脸。在这项研究中,提出了一个增强的人脸检测框架,以提高基于肤色的检测率,并提供一个验证过程。对输入图像进行基于肤色的初步分割,可以显著减小搜索空间,加快人脸检测过程。主要的检测是基于Haar类特征和Adaboost算法。引入验证过程来拒绝非人脸对象,这可能发生在人脸检测过程中。验证过程是基于两阶段的扩展本地二进制模式。在CMU-MIT和Caltech 10000数据集上的实验结果表明,在不同颜色、位置、尺度和光照条件下,人脸的变化范围很广,人脸检测率很高。
2017-02-14 cs.CV
Deep-NFA: a Deep $\textit{a contrario}$ Framework for Small Object Detection
ONERA(法国航空航天研究院);Paris-Saclay University(巴黎-萨克雷大学);SATIE(SATIE实验室)
针对小目标检测中高检测率与低误报率难以平衡的问题,提出将a contrario决策准则融入学习过程,通过控制误报数量增强特征图响应,可集成于任意语义分割网络,实现更鲁棒且可解释的检测结果。
2023-03-02 cs.CV
Fire detection in a still image using colour information
University of Portsmouth(朴茨茅斯大学)
颜色分析是基于图像的火灾探测算法的关键步骤。许多提出的火灾检测算法在一个静止的图像是容易产生错误的警报所造成的物体与火灾的颜色相似。为了设计一个基于颜色的系统具有更好的误报率,一个新的颜色区分转换矩阵,高颜色复杂度的图像,提出了有效的。该转换矩阵的元素是通过对具有高火焰颜色相似性的背景的火焰样本图像执行K-中心点聚类和粒子群优化程序获得的。建议的转换矩阵,然后用于构建两个新的火颜色检测框架。第一种检测方法是一个两阶段的非线性图像变换框架,而第二种是一个直接的图像变换与建议的转换矩阵。所提出的方法与文献中的替代方法进行了性能比较。实验结果表明,线性图像变换方法在虚警率方面优于其他方法,而非线性两阶段图像变换方法在F值度量上具有最佳性能,并在漏检和虚警率之间提供了更好的折衷。
2018-03-10 cs.CV eess.IV
Automatic Handgun Detection Alarm in Videos Using Deep Learning
University of Granada(格拉纳达大学)
目前的监视和控制系统仍然需要人的监督和干预。这项工作提出了一种新的自动手枪检测系统的视频适合,监视和控制的目的。我们将这个检测问题重新表述为最小化误报的问题,并通过构建由深度卷积神经网络(CNN)分类器的结果指导的关键训练数据集来解决它,然后在两种方法下评估最佳分类模型,滑动窗口方法和区域建议方法。最有希望的结果是通过在我们的新数据库上训练的基于Faster R-CNN的模型获得的。最好的检测器即使在低质量的youtube视频中也显示出很高的潜力,并作为自动报警系统提供了令人满意的结果。在30个场景中,它在27个场景中在不到0.2秒的时间内连续五次真阳性后成功激活警报。我们还定义了一个新的指标,报警激活每间隔(AApI),以评估性能的检测模型作为一个自动检测系统的视频。
2017-02-16 cs.CV
Distribution-free false-alarm calibration and chance-corrected spatial evaluation for industrial anomaly detection
Tongji University(同济大学)
该研究针对工业异常检测现有指标的缺陷,提出结合无分布上限容差阈值与配对减交叉空间检验的方法,在多数据集上验证了其有效性,支持同时报告工作点性能与经机会校正的空间证据。
2026-08-18 cs.CV cs.LG
A Low Grounding Score Is Not an Ungrounded Judge: Identifying the Perceptibility Confound in Multimodal Oversight
本文提出判决接地分数并揭示其受编辑可感知性混淆影响,导致误报;通过识别缺失量可直接测量误报率,并建议必须搭配未编辑图像的检测探针使用。
2026-10-02 cs.CV
Visualizing Object Detection Features
Massachusetts Institute of Technology(麻省理工学院)
我们引入算法来可视化对象检测器使用的特征空间。我们的方法通过将视觉特征反转回多个自然图像来工作。我们发现,这些可视化使我们能够以新的方式分析目标检测系统,并获得对检测器故障的新见解。例如,当我们将高分误报的特征可视化时,我们发现,尽管它们在图像空间中显然是错误的,但它们在特征空间中看起来确实与真阳性相似。这一结果表明,许多错误警报是由我们选择的特征空间引起的,并支持创建更好的学习算法或构建更大的数据集不太可能纠正这些错误。通过可视化特征空间,我们可以更直观地了解识别系统。
2015-02-19 cs.CV
Wilcoxon Nonparametric CFAR Scheme for Ship Detection in SAR Image
Yantai Nanshan University(烟台南山学院)
针对参数化CFAR检测器在SAR杂波背景偏离假设分布时性能下降的问题,提出Wilcoxon非参数CFAR舰船检测方案,推导虚警率闭式解,经多源SAR图像验证其鲁棒性、弱目标检测能力及旁瓣抑制效果更优且检测速度快。
2024-08-19 cs.AI cs.CV eess.SP
SANet: Selective Attention Network for Infrared Small Target Detection
Jiangxi University of Finance and Economics(江西财经大学);Tiangong University(天工大学)
针对红外小目标检测中精度与虚警难以平衡的问题,提出SANet,通过双路径语义模块和选择性注意力融合增强特征判别,在三个基准上IoU显著领先。
2026-10-08 cs.CV
Early Fire Detection Using HEP and Space-time Analysis
Southwest Jiaotong University(西南交通大学)
本文通过对现场烟气的监测,研制了一种基于视频的火灾早期报警系统。在这项工作中有两个主要贡献。首先,找到最好的纹理特征烟雾检测,一个通用的框架,命名为直方图的等效模式(HEP),实现了广泛的各种纹理特征的评价。其次,提出了描述烟雾时空特性的\emph{Block based Inter-Frame Difference}(BIFD)和改进的LBP-TOP模型。为了减少误报,利用烟雾历史图像(SHI)登记候选烟雾块的最近分类结果。实验结果表明,与现有的方法相比,该方法具有更高的准确率和更少的虚警率。
2013-10-07 cs.CV cs.MM
CURA: Certified Runtime Alarms for Computer-Use Agents
University of Illinois Chicago(伊利诺伊大学芝加哥分校);Intel Labs(英特尔实验室);Capital One AI Labs(Capital One AI实验室)
针对计算机使用智能体自报告失效问题,提出仅读取测试环境遥测的外部监控器CURA,可在运行时检测失败,提升任务解决率。
2026-08-31 cs.AI cs.CV cs.LG
Optimizing Channel Selection for Seizure Detection
Temple University(天普大学)
脑电图(EEG)信号的解释可能会因混淆伪影而变得复杂。脑电信号检测在脑电信号的观测和分析中起着重要的作用。包含在电极的放置中的空间信息可以被利用来准确地检测伪影。然而,当使用较少的电极时,可用的空间信息较少,使得更难检测伪影。在这项研究中,我们研究了深度学习算法CNN-LSTM在几种通道配置上的性能。与标准22通道EEG相比,每种配置都旨在最大限度地减少空间信息丢失量。使用减少数量的通道(从8到20)的系统实现了33%到37%的灵敏度,每24小时的假警报范围为[38,50]。假警报急剧增加(例如,每24小时超过300个),而频道数目则进一步减少。使用所有22个通道的系统的基线性能为39%灵敏度,有23个假警报。由于22通道系统是唯一包括参考通道的系统,因此随着通道数量的减少,虚警率的快速增加强调了保留参考通道以减少伪影的重要性。这个警示性的结果很重要,因为不同类型的脑电图之间最大的区别之一就是所使用的参考通道的类型。
2018-01-03 cs.CV eess.SP q-bio.NC
Intrusion Detection Using Cost-Sensitive Classification
Vrije University Amsterdam(阿姆斯特丹自由大学);University of Leoben(莱奥本大学);University of Piraeus(比雷埃夫斯大学)
入侵检测是计算机网络防御的重要组成部分。一个重要的考虑因素是,发出假警报的成本比不检测攻击的成本低得多。出于这个原因,我们研究如何成本敏感的分类方法可以用于入侵检测系统。该方法的性能进行评估,在不同的实验条件下,成本矩阵和不同的分类模型,在预期的成本,以及检测和误报率。我们发现,即使在不利的条件下,成本敏感的分类可以显着提高性能,如果只有轻微的。
2008-07-13 cs.CR cs.CV cs.NI
Seizure Detection using Least EEG Channels by Deep Convolutional Neural Network
Bilkent University(比尔肯特大学);Institute for Infocomm Research(信息通信研究院);KK Women's and Children's Hospital(KK妇女儿童医院)
这项工作的目的是开发一个端到端的解决方案,癫痫发作检测。我们设计了SeizNet,一种用于癫痫发作检测的卷积神经网络。为了将SeizNet与传统的机器学习方法进行比较,使用支持向量机(BPsvm)的频谱带功率特征实现了基线分类器。我们通过分别使用所有通道和两个通道设置评估SeizNet和BPsvm方法,探索使用最少数量的通道进行准确癫痫发作检测的可能性。EEG数据采集自KK妇女儿童医院收治的29名被诊断为典型失神发作的儿童患者。我们对所有受试者进行留一交叉验证。使用全通道数据,BPsvm产生的灵敏度为86.6%和0.84假警报(每小时),而SeizNet产生的总体灵敏度为95.8%和0.17假警报。更有趣的是,双通道的BPSNet优于全通道的BPsvm,灵敏度为93.3%,虚警为0.58。我们通过解码沿着卷积层学习的过滤器来进一步研究SeizNet的可解释性。在来自第三和第四卷积层的滤波器中可以清楚地观察到类似癫痫发作的特征。
2019-01-14 cs.CV cs.LG eess.SP
Meaningful Matches in Stereovision
ENS Cachan, CNRS-CMLA(卡尚高等师范学校,法国国家科学研究中心-数学及其应用中心);Telecom ParisTech, CNRS-LTCI(巴黎高科电信学院,法国国家科学研究中心-信息与通信技术实验室)
本文介绍了一种统计方法来判断一对图像中的两个块是否可靠匹配。该方法确保所选择的块匹配不太可能“偶然”发生。这种新方法是基于一个简单但忠实的统计“背景模型”的定义,用于从图像本身学习的图像块。一个定理保证,在这个模型下,不超过一个固定数量的错误匹配发生(平均)为整个图像。这个固定的数字(假警报的数量)是唯一的方法参数。此外,与每个匹配相关联的假警报的数量测量其可靠性。然而,这种“相反”的块匹配方法不能排除由于图像中存在周期性对象而导致的错误匹配。但它成功地补充了一个无参数的“自相似性阈值。“实验证据表明,所提出的方法还可以检测到由于车辆和行人在非同时立体声中的遮挡和不连贯运动。
2011-12-06 cs.CV stat.AP
3D ResNet with Ranking Loss Function for Abnormal Activity Detection in Videos
Gwangju Institute of Science and Technology(光州科学技术院)
异常活动检测是计算机视觉领域中最具挑战性的任务之一。这项研究的动机是最近的最先进的异常活动检测工作,它利用异常和正常的视频学习异常的帮助下,多实例学习,通过提供视频级信息的数据。在没有时间注释的情况下,这样的模型在检测异常时容易给出错误警报。出于这个原因,在本文中,我们专注于在执行异常活动检测任务的同时最大限度地减少误报率的任务。这些假警报的缓解和视频动作识别任务中3D深度神经网络的最新进展共同激励我们在我们提出的方法中利用3D ResNet,这有助于从视频中提取时空特征。然后,使用这些特征和深度多实例学习以及提出的排名损失,我们的模型学习预测视频片段级别的异常分数。因此,与其他最先进的方法相比,我们提出的方法3D深度多实例学习与ResNet(MILR)以及新提出的排名损失函数在UCF-Crime基准数据集上实现了最佳性能。在UCF-Crime数据集上证明了该方法的有效性。
2020-02-04 cs.CV cs.LG eess.IV
Normalise or condition? Noise-floor front-ends for on-board keyword spotting under UAV rotor ego-noise
本研究针对无人机旋翼自噪声下的关键词识别,比较归一化与条件化前端,发现条件化前端在保持低误警率的同时提升检测性能,且计算开销极低。
2026-09-29 cs.CV cs.SD eess.AS