1、YOLOv7吸烟行为检测训练权重 ，附有各种训练曲线图，可使用tensorboard打开训练日志， 2、classes: smoke； 3、检测结果和数据集参考： https://blog.csdn.net/weixin_51154380/article/details/127354103?spm=1001.2014.3001.5502

1、YOLOv5打电话行为检测训练权重 ，附有各种训练曲线图，可使用tensorboard打开训练日志 2、classes: phone 3、包括数据集，标签格式为VOC和YOLO两种 4、检测结果和数据集参考：https://blog.csdn.net/weixin_51154380/article/details/127048938?spm=1001.2014.3001.5501

1、YOLOv7打电话行为检测训练权重 ，附有各种训练曲线图，可使用tensorboard打开训练日志 2、classes: phone 3、包括数据集，标签格式为VOC和YOLO两种 4、检测结果和数据集参考：https://blog.csdn.net/weixin_51154380/article/details/127048938?spm=1001.2014.3001.5501

本系统为人体异常行为检测系统 本文件夹下共包含12个文件 其中matlab代码文件9个，视频源文件夹1个（内含4个视频），指导视频一个，说明文档一个 其中仅需要打开Main_Test.fig文件，点击运行即可使用

最近看到越来越多的安全圈的同学开始关注UBA或者UEBA的相关产品和技术，恰好这一段时也一直在跟进UBA产品的状况，正如Gartner报告所述，最具创新能力的UBA供应商往往都是一些初创公司，我们比较了IBM、HPE、Splunk这类大公司的UBA产品，但是感觉无非就是SIEM产品的更新升级罢了，相反一些名不见经传的初创公司如Balabit、Sqrrl等的UBA产品到让人眼前一亮。在参考业界的同时，我们也在UBA的核心算法上做了一番研究，要知道UBA之所以号称下一代SIEM，其核心就是将机器学习引入行为数据检测

针对用电过程中的盗电窃电问题，基于数据挖掘的思想提出了一种自动检测窃电行为的方法。通过分析用户用电数据的特点，在循环神经网络（RNN）算法的基础上引入长短期记忆单元（LSTM），通过输入门、输出门与遗忘门等函数选择性地保留记忆单元的输入输出信息，改善算法训练时的梯度消失现象。将RNN网路改进为并行化网络，将长时间序列的输入特征向量进行片段化处理，克服RNN网络在处理长序列时的信息丢失缺点。使用国家电网的公开数据集进行仿真实验。结果表明，在相同的时间复杂度下，相较于传统RNN网络，改进算法对窃电行为的识别精度提升到了92.85%，模型的交叉熵损失下降为0.253，AUC增长至0.871，算法的综合性能显著提升。

人工智人-家居设计-机场智能视频监控中异常行为检测与目标跟踪算法研究.pdf

已由DK数据工作室整理好，训练集和验证集也已经划分好，接近500张照片，每张照片带有txt格式的标注，直接适用于YOLO目标检测项目

双通道注意力机制驾驶员异常行为检测研究，yolov3，超级详细

该课题为基于Matlab的异常行为检测。应用场景比如说，我国农村的空巢老人子女常年在外打工。而目前的监控属于被动式的监控，我们仅仅只能查看并且回放监控，不能对监控里面的某种信息作出判断和预警。该课题利用Matlab对监控中的画面的人体行为做一些监测和判别，一旦检测到有某些异常行为，比如说快跑慢跑跌倒等等作出提示，从而避免一些事故的发生，属于主动监控该设计，具有人际交互界面，需要具备一定编程基础的人员学习。