HyMAD：面向边境监视与监控的混合多活动检测方法
计算机视觉与模式识别
2025-11-19 v1 机器学习
信号处理
摘要
地震感知已成为边境监视与监控的有前景解决方案；埋设于地下的地震传感器体积小且难以被察觉，使其不易被入侵者发现、规避或破坏，这大大增强了其相对于高度可见摄像机或围栏的有效性。然而，准确检测和区分同时发生的重叠活动（如人类入侵、动物运动和车辆震动），由于 seismic 信号的复杂性和噪声性，仍是一个主要挑战。正确识别同时活动至关重要，因为若未能分离它们可能导致误分类、漏检和对局势理解的不完整，从而降低监视系统的可靠性。为解决此问题，我们提出 HyMAD（Hybrid Multi-Activity Detection），一种基于时空特征融合的深度神经网络架构。该框架集成了使用 SincNet 提取的谱特征和由循环神经网络（RNN）建模的时序依赖性。此外，HyMAD 采用自注意力层强化类模特征，采用跨模融合模块实现对 seismic 事件的稳健多标签分类。我们在构建的由真实世界现场录音组成的数据集上评估了该方法，展示了其在涉及人类、动物和车辆的复杂、同时活动场景中的泛化能力。该方法实现了竞争性能，为在实际安防应用中扩展基于 seismic 的活动识别提供了模块化框架。
引用
@article{arxiv.2511.14698,
title = {HyMAD: A Hybrid Multi-Activity Detection Approach for Border Surveillance and Monitoring},
author = {Sriram Srinivasan and Srinivasan Aruchamy and Siva Ram Krisha Vadali},
journal= {arXiv preprint arXiv:2511.14698},
year = {2025}
}
备注
Multi-label seismic signal classification using novel attention-based feature fusion. Submitting to cs.CV due to relevance to general pattern recognition and time-frequency (spectrogram) analysis