基于YOLO11n的SCE-YOLO：融合空间-频率表征增强、动态空间关系建模与多尺度特征重建的校园异常行为检测

《Mathematics》：SCE-YOLO: Campus Abnormal Behavior Detection via Spatial-Frequency Enhancement and Dynamic Position Awareness

　　## 摘要异常校园行为检测具有挑战性，因为异常目标通常表现出较大的尺度变化、较小的空间范围、频繁的遮挡、复杂的背景干扰，以及对相对空间关系的强依赖性。为解决这些问题，本研究提出了SCE-YOLO，一种基于YOLO11n构建的校园异常行为检测框架。该框架从三个互补的计算视角进行设计：空间-频率表征增强、动态空间关系建模和高效多尺度特征重建。首先，引入C3k2-SFEM模块，联合建模局部纹理信息、方向性边缘响应和全局频率成分，从而提升对细粒度异常线索、低对比度目标和不规则结构的表征能力。其次，C2DPB模块将动态位置偏置融入注意力机制，使特征交互由语义相似性和相对空间几何共同决定。该设计加强了对拥挤和遮挡条件下人体姿态、目标交互以及长程上下文依赖关系的建模。第三，在neck部分嵌入高效上采样卷积块（EUCB），通过轻量级上采样、深度卷积和通道交互来重建高分辨率空间信息，减少多尺度特征传播过程中的边界模糊和细节退化。此外，构建的校园异常行为检测数据集（CABDD）包含五类代表性异常事件，涵盖了多样化的视角、目标尺度、光照条件和遮挡程度。实验结果表明，SCE-YOLO在CABDD上取得了85.6%的精确率、71.7%的召回率、77.0%的mAP??和55.6%的mAP????，相较于YOLO11n基线分别提升了4.5、4.7、4.6和4.1个百分点。这些结果表明，联合增强特征表征、空间交互建模和多尺度重建，能够有效提升复杂校园监控场景中异常目标的识别与定位能力。