【课题推荐发表期刊】

【课题背景】

在现代工业生产中，安全监控是至关重要的一环。基于多模态视频分析的异常检测系统，为工厂和工作现场提供了一种先进的安全监控与预警解决方案。系统通过处理时空数据、引入多模态模型（如VideoLLaMA2），能对视频片段进行分析并精准识别出各种安全隐患，如未穿戴工服、未佩戴安全帽、人员离岗、明火检测、烟雾检测等。结合知识库与传感器数据，系统可以生成综合的安全报告，能对潜在的灾害风险进行预警，从而采取预防措施，减少事故发生，保护工人的生命安全和企业的财产安全。

本课题致力于开发一个基于多模态视频分析的异常检测系统，用于工厂和工作现场的安全监控与预警，旨在对潜在的灾害进行预警，确保作业环境的安全性。

【适合人群】

• 多模态学习、自然语言处理（NLP）、机器学习和深度学习相关领域的研究生

• 熟悉TensorFlow、PyTorch等深度学习框架优先

• 具备良好的英语阅读和写作能力

【课题收获】

• 高质量论文一篇（SCI/CCF定向期刊）

• SCI/CCF期刊投递与发表指导

• 结业证书

【导师介绍】

Dr. Liu，QS20高校人工智能博士

• 目前已发表20多篇高水平论文，如ICML，Nature, Neurips，IJCAI，ACL，IEEE IV，IEEE ITSC

• 谷歌学术引用量近百次

• 长期担任IEEE Transactions on Intelligent Transportation Systems、Transportation Re- search Part C: Emerging Technologies、TRB Annual Meeting - Transportation Research Board、IEEE International Conference on Intelligent Transportation Systems、IEEE Intelligent Vehicles Symposium等期刊会议审稿人

• 曾指导学生在 IEEE IROS, IEEE transaction on image processing发表论文

• 可提供开源代码并指导复现；可提供部分开放研究数据；可提供一定的算力资源；可撰写推荐信；期刊内推资源；就业/实习机会推荐

【课题安排】

研究周期预估六个月左右，具体视学员情况调整。

【推荐阅读】

• 2024 Multiview multimodality transformer-based weakly supervised video anomaly detection

• 2024 A Recurrent Neural Network for Multimodal Anomaly Detection by Using Spatio-Temporal Audio-Visual Data