論文の概要: Anomaly Recognition from surveillance videos using 3D Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2101.01073v1
• Date: Mon, 4 Jan 2021 16:32:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-11 23:03:48.316935
• Title: Anomaly Recognition from surveillance videos using 3D Convolutional Neural Networks
• Title（参考訳）: 3次元畳み込みニューラルネットワークを用いた監視ビデオからの異常認識
• Authors: R. Maqsood, UI. Bajwa, G. Saleem, Rana H. Raza, MW. Anwar
• Abstract要約: 異常なアクティビティ認識は、通常のストリームから変化するパターンやイベントを識別する。 この研究は、中央フロリダ大学犯罪ビデオデータセットに基づいて訓練された深部3次元畳み込みネットワーク(3D ConvNets)を用いて、特徴の学習にシンプルで効果的なアプローチを提供する。
• 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: Anomalous activity recognition deals with identifying the patterns and events that vary from the normal stream. In a surveillance paradigm, these events range from abuse to fighting and road accidents to snatching, etc. Due to the sparse occurrence of anomalous events, anomalous activity recognition from surveillance videos is a challenging research task. The approaches reported can be generally categorized as handcrafted and deep learning-based. Most of the reported studies address binary classification i.e. anomaly detection from surveillance videos. But these reported approaches did not address other anomalous events e.g. abuse, fight, road accidents, shooting, stealing, vandalism, and robbery, etc. from surveillance videos. Therefore, this paper aims to provide an effective framework for the recognition of different real-world anomalies from videos. This study provides a simple, yet effective approach for learning spatiotemporal features using deep 3-dimensional convolutional networks (3D ConvNets) trained on the University of Central Florida (UCF) Crime video dataset. Firstly, the frame-level labels of the UCF Crime dataset are provided, and then to extract anomalous spatiotemporal features more efficiently a fine-tuned 3D ConvNets is proposed. Findings of the proposed study are twofold 1)There exist specific, detectable, and quantifiable features in UCF Crime video feed that associate with each other 2) Multiclass learning can improve generalizing competencies of the 3D ConvNets by effectively learning frame-level information of dataset and can be leveraged in terms of better results by applying spatial augmentation.
• Abstract（参考訳）: 異常なアクティビティ認識は、通常のストリームから変化するパターンやイベントを識別する。 監視パラダイムでは、これらのイベントは乱用から戦闘、道路事故、密猟などまで様々である。 異常な事象が発生しにくいため,監視ビデオからの異常な活動認識は困難な研究課題である。 一般的に報告されたアプローチは、手作りとディープラーニングに基づくものに分類される。 報告された研究の多くは二項分類、すなわち二項分類に関するものである。 監視ビデオからの異常検出 しかし、これらの報告されたアプローチは他の異常事象に対処しなかった。 乱用、喧嘩、交通事故、銃撃、盗み、破壊、強盗など。 監視ビデオから そこで本稿では,実世界の異なる異常をビデオから認識するための効果的な枠組みを提案する。 この研究は、中央フロリダ大学犯罪ビデオデータセットで訓練された深部3次元畳み込みネットワーク(3D ConvNets)を用いて、時空間の特徴を学習するためのシンプルで効果的なアプローチを提供する。 まず, UCF Crimeデータセットのフレームレベルラベルを提供し, より効率的に時空間特徴を抽出するために, 微調整3D ConvNetsを提案する。 提案した研究の発見は,1)UCF犯罪ビデオフィードに相互に関連付ける特異性,検出性,定量性のある特徴がある。2) マルチクラス学習は,データセットのフレームレベル情報を効果的に学習することにより,3D ConvNetの能力の一般化を向上し,空間拡張を適用することで,より良い結果の面で活用することができる。

関連論文リスト

• OV-Uni3DETR: Towards Unified Open-Vocabulary 3D Object Detection via Cycle-Modality Propagation [67.56268991234371]
  OV-Uni3DETRは、様々なシナリオにおける最先端のパフォーマンスを達成し、既存のメソッドを平均6%以上上回っている。 コードと事前訓練されたモデルは、後にリリースされる。
  論文  参考訳（メタデータ） (2024-03-28T17:05:04Z)
• Detection of Object Throwing Behavior in Surveillance Videos [8.841708075914353]
  本稿では,ディープラーニングを用いた監視ビデオにおける投球行動検出手法を提案する。 Smart Cityプロジェクトのユースケースに対処するために、私たちはまず、新しいパブリックな"Throwing Action"データセットを生成します。 UCF-CrimeおよびThrowing-Actionデータセットにおける異常検出のための特徴抽出器の性能の比較を行った。
  論文  参考訳（メタデータ） (2024-03-11T09:53:19Z)
• Open-Vocabulary Video Anomaly Detection [57.552523669351636]
  監視の弱いビデオ異常検出(VAD)は、ビデオフレームが正常であるか異常であるかを識別するためにビデオレベルラベルを利用する際、顕著な性能を達成した。 近年の研究は、より現実的な、オープンセットのVADに取り組み、異常や正常なビデオから見えない異常を検出することを目的としている。 本稿ではさらに一歩前進し、未確認および未確認の異常を検知・分類するために訓練済みの大規模モデルを活用することを目的とした、オープン語彙ビデオ異常検出(OVVAD)について検討する。
  論文  参考訳（メタデータ） (2023-11-13T02:54:17Z)
• Prior Knowledge Guided Network for Video Anomaly Detection [1.389970629097429]
  ビデオ異常検出(VAD)は、ビデオ内の異常事象を検出する。 VADタスクのための事前知識誘導ネットワーク(PKG-Net)を提案する。
  論文  参考訳（メタデータ） (2023-09-04T15:57:07Z)
• Detection of Fights in Videos: A Comparison Study of Anomaly Detection and Action Recognition [3.8073142980733]
  本稿では,ビデオ中のケンカの検出を,異常検出の特殊なタイプとして,また2値のアクション認識として検討する。 異常検出は,動作認識と同等あるいはそれ以上の性能を有することがわかった。 実験結果から,3つの戦闘検出データセットの最先端性能が得られた。
  論文  参考訳（メタデータ） (2022-05-23T15:41:02Z)
• Audio-visual Representation Learning for Anomaly Events Detection in Crowds [119.72951028190586]
  本稿では,音声と視覚信号の同時モデリングにおけるマルチモーダル学習の活用を試みる。 監視シーンにおける合成音声視覚データセットであるSHADEデータセットについて実験を行った。 音声信号の導入は,異常事象の検出性能を効果的に向上し,他の最先端手法よりも優れることがわかった。
  論文  参考訳（メタデータ） (2021-10-28T02:42:48Z)
• Anomaly Detection in Video via Self-Supervised and Multi-Task Learning [113.81927544121625]
  ビデオにおける異常検出は、コンピュータビジョンの問題である。 本稿では,オブジェクトレベルでの自己教師型およびマルチタスク学習を通じて,ビデオ中の異常事象検出にアプローチする。
  論文  参考訳（メタデータ） (2020-11-15T10:21:28Z)
• Robust Unsupervised Video Anomaly Detection by Multi-Path Frame Prediction [61.17654438176999]
  本稿では,フレーム予測と適切な設計による新規で頑健な非教師付きビデオ異常検出手法を提案する。 提案手法は,CUHK Avenueデータセット上で88.3%のフレームレベルAUROCスコアを得る。
  論文  参考訳（メタデータ） (2020-11-05T11:34:12Z)
• 3D ResNet with Ranking Loss Function for Abnormal Activity Detection in Videos [6.692686655277163]
  この研究は、最近の異常な活動検出の最先端の研究に動機づけられている。 時間的アノテーションがない場合、そのようなモデルは異常を検出しながら誤報をしがちである。 本稿では,異常行動検出タスクを実行しながら,誤警報率を最小化するタスクに焦点をあてる。
  論文  参考訳（メタデータ） (2020-02-04T05:32:21Z)
• Training-free Monocular 3D Event Detection System for Traffic Surveillance [93.65240041833319]
  既存のイベント検出システムは、主に学習ベースであり、大量のトレーニングデータが利用可能な場合、十分なパフォーマンスを実現している。 現実のシナリオでは、十分なラベル付きトレーニングデータの収集は高価であり、時には不可能である。 本稿では,交通監視のためのトレーニング不要な単眼3Dイベント検出システムを提案する。
  論文  参考訳（メタデータ） (2020-02-01T04:42:57Z)

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。