基于优化 CBAM 改进 ResNet50 的异常 行为识别方法

在自动视频监控应用中，准确地识别出人类的异常行为是非常困难的任务。为了解决监测系统中异常人类活动的高 效识别问题，提出了一种加强局部以及全局特征信息融合的异常行为识别模型 ICBAM-ResNet50 。在 UTI 和 CASIA 两个数 据集上进行实验，结果表明该研究比ResNet50 模型准确率分别提高了7%和8%。ICBAM 模块引入一维卷积替换了原始 CBAM 中通道注意力的 MLP 操作，将局部的时间特征整合到通道描述符中，缓解了通道维度由于全局处理产生的忽略信息 交互的问题；其次引入时空注意力机制替换 CBAM 中的单一空间注意力机制，来提高模型的时空表征能力。最后，将优化的 CBAM 模块嵌入到 ResNet50 中，通过在 ImageNet 上对其进行预训练，在两个基准数据集上该模型分别达到了98.8%和97.9%的准确率。使用相同的数据集，将实验结果与原始识别方法进行了比较，结果表明该模型优于所比较的其他方法。

Improved abnormal behavior recognition method of ResNet50 based on optimized CBAM