基于yolo与RoiMViTv2的多目标视频行为识别方法

本申请提供了基于yo lo与RoiMViTv2的多目标视频行为识别方法，涉及人工智能、计算机视觉的动作识别与目标追踪技术领域，包括：将原始视频拆分为多个单帧图像序列，通过YOLOv11检测算法进行处理，得到每帧图像的候选目标区域；使用DeepSort算法对候选目标区域进行跨帧关联，以得到每个目标的跨帧轨迹；将多个单帧图像序列通过MViTv2模型捕捉全局时空依赖关系，生成全图特征；基于全图特征和跨帧轨迹，进行坐标缩放和时空对齐操作，得到特征张量；对特征张量进行时序和空间的池化操作以及分类头处理，生成每个目标的最高概率标签及置信度。