22、低分辨率图像中的目标识别与物联网网络攻击检测

低分辨率图像中的目标识别与物联网网络攻击检测

低分辨率图像中的人类识别

在低分辨率图像中进行人类识别是一个具有挑战性的任务，特别是在处理热成像图像时，可能会遇到低光照背景和黑暗背景的问题。为了解决这些问题，我们采用了Tiny Yolo v3结合K均值聚类的方法。

实验结果与分析

我们对不同模型的组合进行了测试和分析，结果如下表所示：
| 方法 | 技术 | 训练数据 | 测试数据 | 真阳性（TP） | 假阳性（FP） | 精确率 |
| — | — | — | — | — | — | — |
| De Oliveira | HAAR Cascade | - | - | 59 | 31 | 0.6554 |
| Rujikietgumjorn | 传统HOG：Atrium - range数据集 | - | - | 2615 | 1415 | 0.6485 |
| Talluri et al. | Tiny Yolo v3 + K均值聚类 | FLIR | FLIR | 1652 | 639 | 0.7210 |
| 提出的方法 | Tiny Yolo v3 + K均值聚类 | RGB | FLIR | 1005 | 275 | 0.78515 |

从表中可以看出，我们提出的方法（Tiny Yolo v3 + K均值聚类，使用RGB数据训练，FLIR数据测试）取得了最高的精确率。精确率的计算公式为：
[Precision(p) = \frac{TP}{TP + FP}]
其中，TP表示真阳性，FP表示假阳性。

此外，我们还使用了召回率和平均精度（AP）来评估模