煤矿视频中复杂行为识别的持续学习模型探究

为更好保障矿工井下作业安全，如何提高矿井监控视频中矿工复杂行为识别准确率已成为研究热 点。通过耦合深度网络和主动学习方法构建的矿工复杂行为持续学习模型，可自动对新增样例进行标记，并持续 从视频数据中学习人体行为，从而提高识别准确率。分析在是否为主动学习和是否固定缓冲区大小 4 种实验环境 下公共数据集 KTH 和真实煤矿监控数据集 RCV 中复杂行为的识别性能，发现随着新增样例的加入，持续学习模型 框架能够不断改进每种复杂行为模型的识别性能，且最终的识别准确率相较于传统识别模型有明显提升。结果表 明持续学习行为模型能有效解决复杂行为识别过程中的概念漂移问题，且具有良好的自学习能力和鲁棒性。