基于空间-频率表征增强与动态空间关系建模的校园异常行为检测方法

《Mathematics》：Multi-UAV Emergency Scheduling Under Demand Accumulation and Payload-Dependent Energy

　　# 摘要检测校园异常行为具有挑战性，因为异常目标通常表现出尺度变化大、空间范围小、频繁遮挡、复杂背景干扰以及强烈依赖于相对空间关系等问题。为了解决这些问题，本研究提出了SCE-YOLO，一个基于YOLO11n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、动态空间关系建模以及高效多尺度特征重建。首先，引入了C3k2-SFEM模块，以联合建模局部纹理信息、方向性边缘响应和全局频率分量，从而提高对细粒度异常线索、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引入注意力机制，使特征交互由语义相似性和相对空间几何共同决定。该设计增强了在拥挤和遮挡条件下对人体姿态、目标交互及长距离上下文依赖关系的建模能力。第三，在颈部嵌入了高效上采样卷积块（EUCB），通过轻量级上采样、深度可分离卷积和通道交互来重建高分辨率空间信息，从而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类别，涵盖了多样的视角、目标尺度、光照条件和遮挡等级。实验结果表明，SCE-YOLO在CABDD上达到了85.6%的精确率、71.7%的召回率、77.0%的mAP??和55.6%的mAP?????，相比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可以有效提高复杂校园监控场景中的异常目标识别与定位能力。