Fugu-MT 論文翻訳(概要): HR-Crime: Human-Related Anomaly Detection in Surveillance Videos

論文の概要: HR-Crime: Human-Related Anomaly Detection in Surveillance Videos

arxiv url: http://arxiv.org/abs/2108.00246v1
Date: Sat, 31 Jul 2021 14:28:29 GMT
ステータス: 処理完了
システム内更新日: 2021-08-03 15:19:33.933273
Title: HR-Crime: Human-Related Anomaly Detection in Surveillance Videos
Title（参考訳）: HR-Crime:サーベイランスビデオにおける人間関連異常検出
Authors: Kayleigh Boekhoudt, Alina Matei, Maya Aghaei and Estefan\'ia Talavera
Abstract要約: UCF-CrimeデータセットのサブセットであるHR-Crimeを導入する。我々は、人間関連の異常検出のための特徴抽出パイプラインを構築するための最先端技術に依存している。
参考スコア（独自算出の注目度）: 0.2064612766965483
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The automatic detection of anomalies captured by surveillance settings is essential for speeding the otherwise laborious approach. To date, UCF-Crime is the largest available dataset for automatic visual analysis of anomalies and consists of real-world crime scenes of various categories. In this paper, we introduce HR-Crime, a subset of the UCF-Crime dataset suitable for human-related anomaly detection tasks. We rely on state-of-the-art techniques to build the feature extraction pipeline for human-related anomaly detection. Furthermore, we present the baseline anomaly detection analysis on the HR-Crime. HR-Crime as well as the developed feature extraction pipeline and the extracted features will be publicly available for further research in the field.
Abstract（参考訳）: 監視設定によって捕捉される異常の自動検出は、その他の労力のかかるアプローチをスピードアップするために不可欠である。現在までに、UCF-Crimeは異常の自動視覚分析のための最大のデータセットであり、様々なカテゴリの現実の犯罪シーンで構成されている。本稿では,人間関連異常検出タスクに適したUCF-CrimeデータセットのサブセットであるHR-Crimeを紹介する。我々は,人間関連異常検出のための特徴抽出パイプラインを構築するために,最先端の技術に頼っている。さらに,hr-crimeのベースライン異常検出解析を行った。 HR-Crimeと開発中の特徴抽出パイプラインと抽出された特徴は、この分野のさらなる研究のために公開される。

関連論文リスト

ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。 ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
論文参考訳（メタデータ） (2024-05-27T02:42:33Z)
Frequency-Guided Multi-Level Human Action Anomaly Detection with Normalizing Flows [13.77542608443034]
本研究では,人間の行動異常検出(HAAD)の課題について紹介する。ビデオからの異常な出来事に主に焦点をあてる以前の人間関係の異常検出タスクと比較して、HAADは、意味的に異常な人間の行動を認識するために、特定のアクションラベルを学習する。
論文参考訳（メタデータ） (2024-04-26T12:56:16Z)
Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文参考訳（メタデータ） (2023-11-27T13:14:06Z)
WePaMaDM-Outlier Detection: Weighted Outlier Detection using Pattern Approaches for Mass Data Mining [0.6754597324022876]
外乱検出は、システム障害、不正行為、およびデータ内のパターンに関する重要な情報を明らかにすることができる。本稿では、異なる質量データマイニング領域を持つWePaMaDM-Outlier Detectionを提案する。また, 監視, 故障検出, 傾向解析において, 異常検出技術におけるデータモデリングの重要性についても検討した。
論文参考訳（メタデータ） (2023-06-09T07:00:00Z)
Deep Learning for Time Series Anomaly Detection: A Survey [53.83593870825628]
時系列異常検出は、製造業や医療を含む幅広い研究分野や応用に応用されている。時系列の大規模かつ複雑なパターンにより、研究者は異常パターンを検出するための特別な深層学習モデルを開発するようになった。本調査は,ディープラーニングを用いた構造化および総合的時系列異常検出モデルの提供に焦点を当てる。
論文参考訳（メタデータ） (2022-11-09T22:40:22Z)
An Outlier Exposure Approach to Improve Visual Anomaly Detection Performance for Mobile Robots [76.36017224414523]
移動ロボットの視覚異常検出システム構築の問題点を考察する。標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
論文参考訳（メタデータ） (2022-09-20T15:18:13Z)
Functional Anomaly Detection: a Benchmark Study [4.444788548423704]
異常検出は、非常に高い周波数でサンプリングされた測定に依存することができる。本研究の目的は, 実データセット上の機能的設定において, 異常検出のための最近の手法の性能について検討することである。
論文参考訳（メタデータ） (2022-01-13T18:20:32Z)
Self-Taught Semi-Supervised Anomaly Detection on Upper Limb X-rays [11.859913430860335]
監視されたディープネットワークは、放射線学者による多数の注釈を取る。私たちのアプローチの合理性は、ラベルのないデータを活用するためにタスクのプリテキストタスクを使用することです。本手法は、非監視および自己監視の異常検出設定におけるベースラインを上回っていることを示した。
論文参考訳（メタデータ） (2021-02-19T12:32:58Z)
TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文参考訳（メタデータ） (2020-09-16T15:52:04Z)
Anomaly Detection in Unsupervised Surveillance Setting Using Ensemble of Multimodal Data with Adversarial Defense [0.3867363075280543]
本稿では,実時間画像とIMUセンサデータの異常度を推定するアンサンブル検出機構を提案する。提案手法は,IEEE SP Cup-2020データセットで97.8%の精度で良好に動作する。
論文参考訳（メタデータ） (2020-07-17T20:03:02Z)
SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。