論文の概要: MULTICAST: MULTI Confirmation-level Alarm SysTem based on CNN and LSTM
to mitigate false alarms for handgun detection in video-surveillance
- arxiv url: http://arxiv.org/abs/2104.11653v1
- Date: Fri, 23 Apr 2021 15:07:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-26 13:04:52.810363
- Title: MULTICAST: MULTI Confirmation-level Alarm SysTem based on CNN and LSTM
to mitigate false alarms for handgun detection in video-surveillance
- Title（参考訳）: MultiCAST:CNNとLSTMに基づくマルチ確認レベルAlarm SysTemによるビデオ監視における拳銃検出のための誤報の軽減
- Authors: Roberto Olmos, Siham Tabik, Francisco Perez-Hernandez, Alberto Lamas,
Francisco Herrera
- Abstract要約: CNNとLong Short Term Memory Network(LSTM)に基づくマルチ確認レベルAlarm SysTem(MULTICAST)
実験の結果,MultiCASTは,より高速なR-CNNベースの単一画像検出器と比較して80%の誤報数を減らすことがわかった。
- 参考スコア（独自算出の注目度）: 11.626928736124038
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite the constant advances in computer vision, integrating modern
single-image detectors in real-time handgun alarm systems in video-surveillance
is still debatable. Using such detectors still implies a high number of false
alarms and false negatives. In this context, most existent studies select one
of the latest single-image detectors and train it on a better dataset or use
some pre-processing, post-processing or data-fusion approach to further reduce
false alarms. However, none of these works tried to exploit the temporal
information present in the videos to mitigate false detections. This paper
presents a new system, called MULTI Confirmation-level Alarm SysTem based on
Convolutional Neural Networks (CNN) and Long Short Term Memory networks (LSTM)
(MULTICAST), that leverages not only the spacial information but also the
temporal information existent in the videos for a more reliable handgun
detection. MULTICAST consists of three stages, i) a handgun detection stage,
ii) a CNN-based spacial confirmation stage and iii) LSTM-based temporal
confirmation stage. The temporal confirmation stage uses the positions of the
detected handgun in previous instants to predict its trajectory in the next
frame. Our experiments show that MULTICAST reduces by 80% the number of false
alarms with respect to Faster R-CNN based-single-image detector, which makes it
more useful in providing more effective and rapid security responses.
- Abstract（参考訳）: コンピュータビジョンの絶え間ない進歩にもかかわらず、リアルタイム拳銃アラームシステムにおける現代の単一画像検出装置の統合は、まだ議論の余地がある。
このような検出器を使用すると、多くの誤報と偽陰性を示す。
この文脈で、現存するほとんどの研究は、最新のsingle image detectorsのうちの1つを選択し、より良いデータセットでトレーニングするか、あるいは偽アラームを減らすために前処理、後処理、データフュージョンアプローチを使用する。
しかし、これらの研究はビデオにある時間的情報を利用して誤検出を軽減しようとはしなかった。
本稿では,畳み込みニューラルネットワーク(CNN)とLong Short Term Memory Network(MULTICAST)に基づくマルチ確認レベルのAlarm SysTemと呼ばれる新しいシステムを提案する。
MultiCAST は3段階,i) 拳銃検出段階,i) CNN による空間的確認段階,iii) LSTM による時間的確認段階からなる。
時間的確認段階は、検出された拳銃の位置を以前の瞬間に使用し、次のフレームでの軌跡を予測する。
実験の結果,MultiCASTは,より高速なR-CNNベースの単一画像検出装置と比較して80%の誤報を低減し,より効果的で迅速なセキュリティ応答を提供するのに有用であることがわかった。
関連論文リスト
- Distributed Intelligent Video Surveillance for Early Armed Robbery Detection based on Deep Learning [0.0]
ラテンアメリカでの低い雇用率が犯罪の顕著な増加に寄与し、新たな犯罪戦術が出現した。
近年の研究では、兵器検知器を監視カメラに埋め込むことによって、この問題にアプローチしている。
これらのシステムは、イベントを確認できない場合、偽陽性になりがちである。
コンピュータビジョンパイプラインとオブジェクト検出機能を複数のデバイスに統合する分散IoTシステムを提案する。
論文 参考訳（メタデータ） (2024-10-13T05:20:35Z) - CCTV-Gun: Benchmarking Handgun Detection in CCTV Images [59.24281591714385]
銃の暴力は重要なセキュリティ問題であり、コンピュータビジョンコミュニティが効果的な銃検出アルゴリズムを開発することが必須である。
実際のCCTV画像から銃を検出することは、未だに困難で未調査の課題である。
我々は,実世界のCCTV画像における拳銃検出の課題に対処するベンチマーク「textbfCCTV-Gun」を提案する。
論文 参考訳（メタデータ） (2023-03-19T16:17:35Z) - Intrusion Detection in Internet of Things using Convolutional Neural
Networks [4.718295605140562]
CNNを用いたIoTデバイスへの侵入攻撃に対する新しい解決策を提案する。
データは畳み込み操作として符号化され、時間とともにセンサーデータからパターンをキャプチャする。
実験の結果, LSTMを用いたベースラインと比較して, 真正率, 偽正率ともに有意な改善が認められた。
論文 参考訳（メタデータ） (2022-11-18T07:27:07Z) - Detecting train driveshaft damages using accelerometer signals and
Differential Convolutional Neural Networks [67.60224656603823]
本稿では,高度2次元畳み込みニューラルネットワーク(CNN)アーキテクチャに基づく鉄道軸状態監視システムの開発を提案する。
その結果,鉄道軸受振動信号を時間周波数領域表現,すなわち分光図に変換し,そのひび割れに応じて2次元CNNを訓練する。
論文 参考訳（メタデータ） (2022-11-15T15:04:06Z) - A Robust and Explainable Data-Driven Anomaly Detection Approach For
Power Electronics [56.86150790999639]
本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。
行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。
検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
論文 参考訳（メタデータ） (2022-09-23T06:09:35Z) - Time-to-Green predictions for fully-actuated signal control systems with
supervised learning [56.66331540599836]
本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。
我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。
スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
論文 参考訳（メタデータ） (2022-08-24T07:50:43Z) - TYolov5: A Temporal Yolov5 Detector Based on Quasi-Recurrent Neural
Networks for Real-Time Handgun Detection in Video [0.5735035463793008]
タイムリーハンドガン検出は、公共の安全を改善する上で重要な問題である。
ハンドガン検出に関する以前の研究の多くは、静的画像検出器に基づいていた。
監視システムの性能向上のためには,リアルタイムの時空間拳銃検出システムを構築する必要がある。
論文 参考訳（メタデータ） (2021-11-17T02:35:29Z) - Zero-bias Deep Learning Enabled Quick and Reliable Abnormality Detection
in IoT [18.474662677341012]
本稿では,ゼロバイアスDNNとQuickest Event Detectionアルゴリズムを統合する。
異常と時間依存異常の両方を迅速かつ確実に検出するための総合的な枠組みを提供する。
実世界の航空通信システムからの膨大な信号記録とシミュレーションデータの両方を用いて,本フレームワークの有効性を実証する。
論文 参考訳（メタデータ） (2021-04-08T03:31:50Z) - Wake Word Detection with Streaming Transformers [72.66551640048405]
提案したトランスフォーマーモデルでは,同じ偽アラームレートで,平均25%の誤り拒否率でベースライン畳み込みネットワークを性能的に上回ることを示す。
Mobvoiのウェイクワードデータセットに関する実験により,提案したTransformerモデルはベースライン畳み込みネットワークを25%上回る性能を示した。
論文 参考訳（メタデータ） (2021-02-08T19:14:32Z) - Object Detection Made Simpler by Eliminating Heuristic NMS [70.93004137521946]
単純なNMSのないエンドツーエンドのオブジェクト検出フレームワークを示す。
検出精度は元の1段検出器と比べて同等か、さらに向上した。
論文 参考訳（メタデータ） (2021-01-28T02:38:29Z) - Bidirectional recurrent neural networks for seismic event detection [0.0]
この研究は、STA/LTAトリガの代替となるイベント検出にディープラーニングアプローチを導入している。
双方向で長時間のメモリであるニューラルネットワークは、合成トレースのみに基づいて訓練されている。
そのリアルタイム適用性は、600のトレースを1つの処理ユニットでリアルタイムに処理することで証明されている。
論文 参考訳（メタデータ） (2020-12-05T11:41:50Z)
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。