論文の概要: A Survey on Deep Learning Techniques for Video Anomaly Detection

• arxiv url: http://arxiv.org/abs/2009.14146v1
• Date: Tue, 29 Sep 2020 16:40:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-13 06:11:30.717042
• Title: A Survey on Deep Learning Techniques for Video Anomaly Detection
• Title（参考訳）: ビデオ異常検出のためのディープラーニング技術の検討
• Authors: Jessie James P. Suarez, Prospero C. Naval Jr
• Abstract要約: 本稿では,ディープラーニングを用いた異常検出の分野における最近の進歩について概観する。 ディープラーニングは、コンピュータビジョンや自然言語処理など、人工知能の多くの分野で成功している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection in videos is a problem that has been studied for more than a decade. This area has piqued the interest of researchers due to its wide applicability. Because of this, there has been a wide array of approaches that have been proposed throughout the years and these approaches range from statistical-based approaches to machine learning-based approaches. Numerous surveys have already been conducted on this area but this paper focuses on providing an overview on the recent advances in the field of anomaly detection using Deep Learning. Deep Learning has been applied successfully in many fields of artificial intelligence such as computer vision, natural language processing and more. This survey, however, focuses on how Deep Learning has improved and provided more insights to the area of video anomaly detection. This paper provides a categorization of the different Deep Learning approaches with respect to their objectives. Additionally, it also discusses the commonly used datasets along with the common evaluation metrics. Afterwards, a discussion synthesizing all of the recent approaches is made to provide direction and possible areas for future research.
• Abstract（参考訳）: ビデオにおける異常検出は10年以上研究されてきた問題である。 この領域は広い適用性のために研究者の関心を遠ざけてきた。 このため、長年にわたって提案されてきた様々なアプローチがあり、これらのアプローチは統計ベースのアプローチから機械学習ベースのアプローチまで幅広い。 この分野ではすでに多くの調査が実施されているが,本研究では,Deep Learning を用いた異常検出の分野における最近の進歩について概観する。 ディープラーニングは、コンピュータビジョンや自然言語処理など、さまざまな分野の人工知能にうまく適用されている。 しかしこの調査は、Deep Learningがどのように改善され、ビデオ異常検出の領域に関する洞察を提供するかに焦点を当てている。 本稿では,それぞれの目的に対して異なるDeep Learningアプローチを分類する。 さらに、一般的なデータセットと一般的な評価メトリクスについても論じている。 その後、今後の研究の方向性と可能性を提供するため、最近のアプローチを総合的に検討する。

関連論文リスト

• Understanding Audiovisual Deepfake Detection: Techniques, Challenges, Human Factors and Perceptual Insights [49.81915942821647]
  ディープラーニングは様々な分野に適用され、ディープフェイク検出への影響は例外ではない。 ディープフェイク(英: Deepfakes)は、政治的偽造、フィッシング、スランダリング、偽情報の拡散に偽装的に使用できる、偽物だが現実的な合成コンテンツである。 本稿では,ディープフェイク検出戦略の有効性を改善し,サイバーセキュリティとメディアの整合性に関する今後の研究を導くことを目的とする。
  論文  参考訳（メタデータ） (2024-11-12T09:02:11Z)
• Outdoor Monocular Depth Estimation: A Research Review [0.8749675983608171]
  本稿では, 利用可能なデータセット, 深度推定方法, 研究成果, トレンド, 課題, およびオープンリサーチに必要な機会について概説する。 我々の知る限り、公開調査では、屋外深度推定技術と研究範囲の総合的な収集は行われていない。
  論文  参考訳（メタデータ） (2022-05-03T10:10:08Z)
• A Critical Study on the Recent Deep Learning Based Semi-Supervised Video Anomaly Detection Methods [3.198144010381572]
  本稿では,この分野の研究者を新たな視点に紹介し,最近の深層学習に基づく半教師付きビデオ異常検出手法についてレビューする。 私たちのゴールは、より効果的なビデオ異常検出方法の開発を支援することです。
  論文  参考訳（メタデータ） (2021-11-02T14:00:33Z)
• Deep Long-Tailed Learning: A Survey [163.16874896812885]
  ディープ・ロングテール・ラーニング(Deep Long-tailed Learning)は、長いテールのクラス分布に追従する多数の画像から、優れたパフォーマンスのディープモデルをトレーニングすることを目的としている。 長い尾を持つクラス不均衡は、現実的な視覚認識タスクにおいて一般的な問題である。 本稿では,近年の長期学習の進歩を包括的に調査する。
  論文  参考訳（メタデータ） (2021-10-09T15:25:22Z)
• A Comprehensive Survey on Community Detection with Deep Learning [93.40332347374712]
  コミュニティは、ネットワーク内の他のコミュニティと異なるメンバーの特徴と接続を明らかにする。 この調査は、最先端の手法の様々なカテゴリをカバーする新しい分類法を考案し、提案する。 ディープニューラルネットワーク(Deep Neural Network)は、畳み込みネットワーク(convolutional network)、グラフアテンションネットワーク( graph attention network)、生成的敵ネットワーク(generative adversarial network)、オートエンコーダ(autoencoder)に分けられる。
  論文  参考訳（メタデータ） (2021-05-26T14:37:07Z)
• Weight Initialization Techniques for Deep Learning Algorithms in Remote Sensing: Recent Trends and Future Perspectives [0.9624643581968988]
  本論文は,深層学習モデルにおける重み初期化に着目した最初の調査である。 実践者がこの有望な分野でさらなる研究を進めるのに役立つだろう。
  論文  参考訳（メタデータ） (2021-02-13T21:21:16Z)
• Deep Learning for Road Traffic Forecasting: Does it Make a Difference? [6.220008946076208]
  本稿では,このITS研究領域におけるDeep Learningの活用に言及した技術の現状を批判的に分析することに焦点を当てる。 後続の批判分析は、交通予測のためのディープラーニングの問題について、質問を定式化し、必要な議論を引き起こす。
  論文  参考訳（メタデータ） (2020-12-02T15:56:11Z)
• Deep Learning for Anomaly Detection: A Review [150.9270911031327]
  本稿では,3つの高レベルカテゴリと11の細粒度カテゴリの進歩を網羅した包括的分類法による深部異常検出の研究について調査する。 我々は、それらの重要な直観、客観的機能、基礎となる仮定、利点とデメリットをレビューし、上記の課題にどのように対処するかについて議論する。
  論文  参考訳（メタデータ） (2020-07-06T02:21:16Z)
• Anomalous Example Detection in Deep Learning: A Survey [98.2295889723002]
  本調査は,ディープラーニングアプリケーションにおける異常検出の研究について,構造化された包括的概要を提供する。 既存の技術に対する分類法を,その基礎となる前提と採用アプローチに基づいて提案する。 本稿では,DLシステムに異常検出技術を適用しながら未解決の研究課題を取り上げ,今後の課題について述べる。
  論文  参考訳（メタデータ） (2020-03-16T02:47:23Z)
• Deep Learning for Sensor-based Human Activity Recognition: Overview, Challenges and Opportunities [52.59080024266596]
  本稿では,センサを用いた人間の活動認識のための最先端のディープラーニング手法について調査する。 まず、官能データのマルチモーダリティを導入し、公開データセットに情報を提供する。 次に、課題によって深層メソッドを構築するための新しい分類法を提案する。
  論文  参考訳（メタデータ） (2020-01-21T09:55:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。