库加 使用遗传算法例程对未知恶意软件进行聚类 COUGAR是一个系统，能够减少高维恶意软件行为数据，并借助多目标遗传算法来优化该数据的聚类，以标记未知恶意软件。 此与以下论文相关： 和 。 2020年。COUGAR：使用遗传算法例程对未知恶意软件进行聚类。 在2020年7月8日至12日在墨西哥坎昆举行的遗传与进化计算会议（ ）上。 ACM，美国纽约，纽约，共9页。 建立 设置virtualenv： # This may require you to install the python3-venv package # You can do so on a Debian-based s

收集资源不易，数据集较新。此资源适用于大数据分析的同学拿来进行分析，数据集总共8w条，总共五个维度。

。该系统以运动目标的 检测和跟踪模块为基础，对监控中运动目标产生的行为进行定义和识 别，当有周边入侵，展览区域抗违规等违规行为发生时，自动的进行行 为识别和实时报警，并且抓取事件发生时的图像，定位违规目标，能够 使监控人员迅速的做出反应

针对目前电子取证缺乏全程监督的问题提出了一种基于用户行为关联分析的电子取证系统。该系统根据业务活动主体、行为和客体约束关系建立用户行为知识库，基于电子证据属性相似度，对原始电子证据进行过滤和融合，在WINEPI算法的基础上，实现电子证据的用户行为关联。使用实际数据测试表明，该系统能够对用户网络活动过程进行全程监督，并可以把取证过程的监督数据作为呈堂的证据。

深层OF 用于使用从自由移动的动物的视频中提取的时间序列进行后处理的套件 您可以使用此包从时间序列中提取预定义的主题（例如时区，攀岩，基本的社交互动），也可以将数据嵌入到序列感知的潜在空间中，以在无人监督的情况下提取有意义的主题方法！ 两者都可以在包内使用，例如，以自动比较用户定义的实验组。 我该如何开始？ 安装： 打开一个终端（安装了python> 3.6）并输入： pip install deepof 在我们深入研究之前： 首先，为您的项目创建一个文件夹，其中至少包含两个子目录，分别称为“视频”和“表”。 前者应包含您正在使用的视频（原始数据或从DLC获得的带有标签的视频）； 后者应该具有您从DeepLabCut获得的所有跟踪表，格式为.h5或.csv。 如果您不想自己使用DLC，请不要担心：一个兼容的小鼠预训练模型将很快发布！ my_project -- Videos ->

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。

数据集描述及应用见https://ev.caltech.edu/dataset

针对Tiny YOLOv3算法在扶梯异常行为检测时存在高漏检率和低准确率的问题,提出一种改进的Tiny YOLOv3网络结构用于扶梯异常行为检测。利用K-means++算法对数据集中的目标边框进行聚类,根据聚类结果优化网络的先验框参数,使训练网络在异常行为检测方面具有一定的针对性。利用多层深度可分离卷积提取深层次的语义信息,加深特征提取的网络结构;增加一个尺度用于低层语义信息的融合,改进原有算法预测层的结构;使用GPU进行多尺度训练,得到最优的权重模型,对扶梯异常行为进行检测。实验结果表明,优化后的模型与Tiny YOLOv3相比,平均漏检率减小了22.8%,检测精度提高了3.4%,检测速度是YOLOv3的1.7倍,更好地兼顾了检测的精度和实时性。

基于CNN的姿势识别 帮助机器通过相机了解人类的行为很重要。 一旦实现，机器就可以对各种人体姿势做出不同的React。 但是该过程也非常困难，因为通常它非常缓慢且耗电，并且需要非常大的存储空间。 在这里，我们着重于实时姿势识别，并尝试使机器“知道”我们做出的姿势。 姿势识别系统由DE10-Nano SoC FPGA套件，相机和HDMI监视器组成。 SoC FPGA捕获来自摄像机的视频流，使用CNN模型识别人体姿势，最后通过HDMI接口显示原始视频和分类结果（站立，行走，挥动等）。 单据 我们在这里上传论文。 并演示了该项目的详细信息。 专案 我们上载我们的项目，包括Matlab，Python和Quartus。 软件版本为： Matlab R2017b 的Python 3.6.3 Python5.1.0 TensorFlow-gpu 1.3.0 Quartus 14.0

针对煤矿生产区域的监控视频较为模糊且人员行为类型复杂,常规行为识别方法的准确率较低的问题,提出了一种基于动态注意力与多层感知图卷积网络（DA-GCN）的煤矿人员行为识别方法。采用Openpose算法提取输入视频的人体关键点,得到3个维度、18个坐标的人体关键点信息,降低模糊背景信息的干扰;通过动态多层感知图卷积网络（D-GCN）提取人体关键点的空间特征,通过时间卷积网络（TCN）提取人体关键点的时间特征,提高网络对不同动作的泛化能力;使用动态注意力机制,增强网络对于动作关键帧、关键骨架的注意力程度,进一步缓解视频质量不佳带来的影响;使用Softmax分类器进行动作分类。通过场景分析,将井下行为分为站立、行走、坐、跨越和操作设备5种类型,构建适用于煤矿场景的Cumt-Action数据集。实验结果表明,DA-GCN在Cumt-Action数据集的最高准确率达到99.3%,最高召回率达到98.6%;与其他算法相比,DA-GCN在Cumt-Action数据集和公共数据集NTU-RGBD上均具有较高的识别准确率,证明了DA-GCN优秀的行为识别能力。