論文の概要: Video Violence Recognition and Localization using a Semi-Supervised Hard-Attention Model

• arxiv url: http://arxiv.org/abs/2202.02212v1
• Date: Fri, 4 Feb 2022 16:15:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-07 18:17:03.014143
• Title: Video Violence Recognition and Localization using a Semi-Supervised Hard-Attention Model
• Title（参考訳）: 半教師付きハードアテンションモデルを用いたビデオ暴力認識と位置推定
• Authors: Hamid Mohammadi, Ehsan Nazerfard
• Abstract要約: 暴力の監視と監視システムは、コミュニティを安全にし、命を救うことができる。 現在の最先端のディープラーニングによるビデオ暴力認識の精度とパフォーマンスの向上により、監視システムはより信頼性が高く、スケーラブルになる。 提案手法の主な貢献は,RWF,Hockey,Moviesのデータセットにおける最先端の精度を実現することである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Empowering automated violence monitoring and surveillance systems amid the growing social violence and extremist activities worldwide could keep communities safe and save lives. The questionable reliability of human monitoring personnel and the increasing number of surveillance cameras makes automated artificial intelligence-based solutions compelling. Improving the current state-of-the-art deep learning approaches to video violence recognition to higher levels of accuracy and performance could enable surveillance systems to be more reliable and scalable. The main contribution of the proposed deep reinforcement learning method is to achieve state-of-the-art accuracy on RWF, Hockey, and Movies datasets while removing some of the computationally expensive processes and input features used in the previous solutions. The implementation of hard attention using a semi-supervised learning method made the proposed method capable of rough violence localization and added increased agent interpretability to the violence detection system.
• Abstract（参考訳）: 社会暴力や過激派活動が世界的に拡大する中で、自動暴力監視と監視システムを強化することで、コミュニティの安全と命を救うことができる。 人間の監視要員の疑わしい信頼性と監視カメラの増加により、自動化された人工知能ベースのソリューションが魅力的になる。 現在の最先端のディープラーニングアプローチによるビデオ暴力認識の精度とパフォーマンスの向上により、監視システムはより信頼性と拡張性が向上する。 深層強化学習法の主な貢献は,rwf,ホッケー,映画データセットにおける最先端の精度を実現しつつ,計算コストの高いプロセスや従来のソリューションで使用される入力機能を取り除きながら実現することである。 半教師付き学習手法による注意の集中化により,提案手法は乱暴な暴力の局所化が可能となり,暴力検出システムに対するエージェントの解釈性が向上した。

関連論文リスト

• Real-Time Weapon Detection Using YOLOv8 for Enhanced Safety [0.0]
  このモデルは、様々な種類の銃器とエッジ武器を描いた何千もの画像を含む包括的なデータセットで訓練された。 精度,リコール,F1スコア,平均平均平均精度(mAP)を複数のIoU閾値で比較し,モデルの性能評価を行った。
  論文  参考訳（メタデータ） (2024-10-23T10:35:51Z)
• CUE-Net: Violence Detection Video Analytics with Spatial Cropping, Enhanced UniformerV2 and Modified Efficient Additive Attention [21.354382437543315]
  本稿では,ビデオ監視における暴力自動検出のための新しいアーキテクチャであるCUE-Netを紹介する。 CUE-Netはローカルとグローバル両方の時間的特徴に着目し、RWF-2000およびRLVSデータセット上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-04-27T20:09:40Z)
• AI-Based Energy Transportation Safety: Pipeline Radial Threat Estimation Using Intelligent Sensing System [52.93806509364342]
  本稿では,分散光ファイバーセンシング技術に基づくエネルギーパイプラインの放射状脅威推定手法を提案する。 本稿では,包括的信号特徴抽出のための連続的マルチビュー・マルチドメイン機能融合手法を提案する。 本研究では,事前学習モデルによる伝達学習の概念を取り入れ,認識精度と学習効率の両立を図る。
  論文  参考訳（メタデータ） (2023-12-18T12:37:35Z)
• Crowd management, crime detection, work monitoring using aiml [0.0]
  本研究は,クラウドマネージメント,犯罪防止,職場監視への包括的アプローチとして,既存のCCTVネットワークの可能性を活用することを目的とする。 主な目的は、映像フィードをリアルタイムに分析できる高度なアルゴリズムを開発し、実装することである。 AI/MLを活用することで、プロジェクトは監視機能を最適化し、公共の安全対策を強化し、組織の生産性を向上させることを目指している。
  論文  参考訳（メタデータ） (2023-11-21T14:12:17Z)
• Adversarial Attacks and Defenses in Machine Learning-Powered Networks: A Contemporary Survey [114.17568992164303]
  機械学習とディープニューラルネットワークにおけるアドリアックと防御が注目されている。 本調査は、敵攻撃・防衛技術分野における最近の進歩を包括的に概観する。 検索ベース、意思決定ベース、ドロップベース、物理世界攻撃など、新たな攻撃方法も検討されている。
  論文  参考訳（メタデータ） (2023-03-11T04:19:31Z)
• Video Vision Transformers for Violence Detection [0.0]
  提案手法では,対戦や敵対的な動き,暴力的な出来事をビデオシーケンスで正確に識別できる,新しいエンドツーエンドのディープラーニングベースビデオビジョントランスフォーマー(ViViT)を用いている。 評価結果はその後、地元の関係者に送信され、キャプチャされたビデオを分析することができる。
  論文  参考訳（メタデータ） (2022-09-08T04:44:01Z)
• SSIVD-Net: A Novel Salient Super Image Classification & Detection Technique for Weaponized Violence [3.651114792588495]
  CCTV映像における暴力や武器による暴力の検出には、包括的なアプローチが必要である。 本稿では,emphSmart-City CCTV Violence Detection (SCVD)データセットを紹介する。 我々はemphSSIVD-Net(textbfViolence textbfDetection用textbfSalient-textbfSuper-textbfImage)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-07-26T12:31:01Z)
• Automating Privilege Escalation with Deep Reinforcement Learning [71.87228372303453]
  本研究では,エージェントの訓練に深層強化学習を用いることで,悪意あるアクターの潜在的な脅威を実証する。 本稿では,最先端の強化学習アルゴリズムを用いて,局所的な特権エスカレーションを行うエージェントを提案する。 我々のエージェントは、実際の攻撃センサーデータを生成し、侵入検知システムの訓練と評価に利用できる。
  論文  参考訳（メタデータ） (2021-10-04T12:20:46Z)
• Dos and Don'ts of Machine Learning in Computer Security [74.1816306998445]
  大きな可能性にもかかわらず、セキュリティにおける機械学習は、パフォーマンスを損なう微妙な落とし穴を引き起こす傾向がある。 我々は,学習ベースのセキュリティシステムの設計,実装,評価において共通の落とし穴を特定する。 我々は,落とし穴の回避や軽減を支援するために,研究者を支援するための実用的な勧告を提案する。
  論文  参考訳（メタデータ） (2020-10-19T13:09:31Z)
• Enhanced Adversarial Strategically-Timed Attacks against Deep Reinforcement Learning [91.13113161754022]
  本稿では,DRLに基づくナビゲーションシステムに対して,選択した時間フレーム上の物理ノイズパターンを妨害することにより,タイミングに基づく逆方向戦略を導入する。 実験結果から, 対向タイミング攻撃は性能低下を引き起こす可能性が示唆された。
  論文  参考訳（メタデータ） (2020-02-20T21:39:25Z)
• Adversarial vs behavioural-based defensive AI with joint, continual and active learning: automated evaluation of robustness to deception, poisoning and concept drift [62.997667081978825]
  人工知能(AI)の最近の進歩は、サイバーセキュリティのための行動分析(UEBA)に新たな能力をもたらした。 本稿では、検出プロセスを改善し、人間の専門知識を効果的に活用することにより、この攻撃を効果的に軽減するソリューションを提案する。
  論文  参考訳（メタデータ） (2020-01-13T13:54:36Z)

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。