TACR-YOLO：基于坐标注意力和任务感知表征的异常人类行为实时检测框架
计算机视觉与模式识别
2025-08-18 v1
摘要
在特殊场景下进行异常人类行为检测（Abnormal Human Behavior Detection, AHBD）正变得越来越重要。虽然基于 YOLO 的检测方法在实时任务中表现优异，但在 AHBD 场景中仍面临小目标、任务冲突和多尺度融合等挑战。为此，我们提出了 TACR-YOLO，一个用于 AHBD 的新型实时框架。我们引入坐标注意力模块（Coordinate Attention Module）以增强小目标检测，引入任务感知注意力模块（Task-Aware Attention Module）以解决分类-回归冲突，以及引入强化颈部网络（Strengthen Neck Network）以实现多尺度融合的精细化。此外，我们采用 K 均值聚类优化锚框大小，并采用 DIoU-Loss 来提高边界框回归效果。我们还提出了一个包含 8,529 个样本、涵盖四类行为的人员异常行为检测数据集（Personnel Anomalous Behavior Detection, PABD 数据集）。大量实验结果表明，TACR-YOLO 在 PABD 数据集上达到了 91.92% 的 mAP，同时保持竞争的速度和鲁棒性。消融实验还凸显了每项改进的贡献。这项工作为特殊场景下的异常行为检测提供了新的思路，推动了相关研究的进步。
引用
@article{arxiv.2508.11478,
title = {TACR-YOLO: A Real-time Detection Framework for Abnormal Human Behaviors Enhanced with Coordinate and Task-Aware Representations},
author = {Xinyi Yin and Wenbo Yuan and Xuecheng Wu and Liangyu Fu and Danlei Huang},
journal= {arXiv preprint arXiv:2508.11478},
year = {2025}
}
备注
8 pages, 4 figures, accepted by IJCNN 2025