論文の概要: student dangerous behavior detection in school

• arxiv url: http://arxiv.org/abs/2202.09550v1
• Date: Sat, 19 Feb 2022 08:23:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-22 15:55:47.210236
• Title: student dangerous behavior detection in school
• Title（参考訳）: 学校における生徒の危険行動検出
• Authors: Huayi Zhou, Fei Jiang, Hongtao Lu
• Abstract要約: 我々は,学生の危険行動を自動的に検出することに集中しており,多くの課題に直面している。 そこで我々は,マルチスケールのボディ特徴とキーポイントに基づくポーズ特徴を組み合わせた,新しいエンド・ツー・エンドの危険行動検出手法DangerDetを提案する。 私たちのデータセットでは、DangerDetは約11 FPSで71.0%のmAPを達成した。
• 参考スコア（独自算出の注目度）: 27.02391566687007
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Video surveillance systems have been installed to ensure the student safety in schools. However, discovering dangerous behaviors, such as fighting and falling down, usually depends on untimely human observations. In this paper, we focus on detecting dangerous behaviors of students automatically, which faces numerous challenges, such as insufficient datasets, confusing postures, keyframes detection and prompt response. To address these challenges, we first build a danger behavior dataset with locations and labels from surveillance videos, and transform action recognition of long videos to an object detection task that avoids keyframes detection. Then, we propose a novel end-to-end dangerous behavior detection method, named DangerDet, that combines multi-scale body features and keypoints-based pose features. We could improve the accuracy of behavior classification due to the highly correlation between pose and behavior. On our dataset, DangerDet achieves 71.0\% mAP with about 11 FPS. It keeps a better balance between the accuracy and time cost.
• Abstract（参考訳）: 学校の生徒の安全を確保するためにビデオ監視システムが設置されている。 しかし、戦いや転倒などの危険な行動を発見することは、通常、不時な人間の観察に依存する。 本稿では,データセット不足,姿勢の混乱,キーフレームの検出,迅速な応答など,多くの課題に直面している学生の危険行動を自動的に検出することに焦点を当てる。 これらの課題に対処するために、我々はまず監視ビデオの場所とラベルを使って危険行動データセットを構築し、長いビデオのアクション認識をキーフレームの検出を避けるオブジェクト検出タスクに変換する。 そこで本研究では,マルチスケールのボディ特徴とキーポイントに基づくポーズ特徴を組み合わせた,新たなエンド・ツー・エンドの危険行動検出手法DangerDetを提案する。 ポーズと行動の相関性が高いため,行動分類の精度を向上させることができた。 私たちのデータセットでは、DangerDetは約11 FPSで71.0\% mAPを達成した。 正確性と時間的コストのバランスが良くなります。

関連論文リスト

• Unveiling Context-Related Anomalies: Knowledge Graph Empowered Decoupling of Scene and Action for Human-Related Video Anomaly Detection [29.900229206335908]
  人間関連ビデオにおける異常の検出は、監視アプリケーションにとって不可欠である。 現在の手法は外見に基づく技術とアクションに基づく技術に依存している。 ヒューマン関連ビデオ異常検出(DecoAD)のためのデカップリングに基づく新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-09-05T04:13:13Z)
• Make Your Home Safe: Time-aware Unsupervised User Behavior Anomaly Detection in Smart Homes via Loss-guided Mask [27.955323209766153]
  自動エンコーダに基づく教師なしユーザ動作異常検出フレームワークであるSmartGuardを提案する。 まず、Los-Guided Dynamic Mask Strategy (LDMS) を設計し、モデルの頻繁な振る舞いの学習を促す。 次に,3段階の時間認識位置埋め込み (TTPE) を提案する。 第3に,騒音を考慮した重み付き再構成損失(NWRL)を提案する。
  論文  参考訳（メタデータ） (2024-06-16T13:23:21Z)
• Exploring Decision-based Black-box Attacks on Face Forgery Detection [53.181920529225906]
  顔の偽造生成技術は鮮明な顔を生み出し、セキュリティとプライバシーに対する世間の懸念を高めている。 顔偽造検出は偽の顔の識別に成功しているが、最近の研究では顔偽造検出は敵の例に対して非常に脆弱であることが示されている。
  論文  参考訳（メタデータ） (2023-10-18T14:49:54Z)
• Understanding the Challenges and Opportunities of Pose-based Anomaly Detection [2.924868086534434]
  ポーズベースの異常検出(Pose-based anomaly detection)は、ビデオフレームから抽出された人間のポーズを調べることによって、異常な出来事や行動を検出するビデオ分析技術である。 本研究では、ポーズに基づく異常検出の難しさをよりよく理解するために、2つのよく知られたビデオ異常データセットの特徴を分析し、定量化する。 これらの実験は、ポーズベースの異常検出と現在利用可能なデータセットをより理解する上で有益であると考えています。
  論文  参考訳（メタデータ） (2023-03-09T18:09:45Z)
• Privacy-Protecting Behaviours of Risk Detection in People with Dementia using Videos [4.264550333891292]
  認知症者のリスク行動を検出するために,2つの新しいプライバシー保護型ビデオベース異常検出手法を提案する。 我々は、身体のポーズ情報を骨格として抽出し、セマンティックセグメンテーションマスクを用いてシーン内の複数の人間をセマンティック境界に置き換えた。 これは、認知症患者のリスクの行動を検出するために、プライバシを組み込んだ最初の研究の1つである。
  論文  参考訳（メタデータ） (2022-12-20T22:55:46Z)
• Adversarially-Aware Robust Object Detector [85.10894272034135]
  本稿では,ロバスト検出器 (RobustDet) を提案する。 本モデルは, クリーン画像の検出能力を維持しながら, 傾きを効果的に解き, 検出堅牢性を著しく向上させる。
  論文  参考訳（メタデータ） (2022-07-13T13:59:59Z)
• Leveraging Real Talking Faces via Self-Supervision for Robust Forgery Detection [112.96004727646115]
  本研究では,実話を用いた顔操作映像の検出手法を開発した。 本手法は, クロスマニピュレーションの一般化とロバストネス実験における最先端性能を実現する。 以上の結果から、より堅牢な顔偽造検知器の開発には、自然ビデオと未表示ビデオの活用が有望な方向であることが示唆された。
  論文  参考訳（メタデータ） (2022-01-18T17:14:54Z)
• 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)
• Detecting Suspicious Behavior: How to Deal with Visual Similarity through Neural Networks [0.0]
  犯罪前行動法(Pre-Crime Behavior method)は、犯罪委員会に関連する情報を除去し、犯罪が起こる前に不審な行動に焦点を合わせる。 異なるタイプの犯罪から得られたサンプルは、通常の行動サンプルと高い視覚的類似性を持つ。 我々は3D畳み込みニューラルネットワークを実装し、異なるアプローチでそれらを訓練した。
  論文  参考訳（メタデータ） (2020-07-30T05:13:52Z)
• ZSTAD: Zero-Shot Temporal Activity Detection [107.63759089583382]
  本研究では,ゼロショット時間的活動検出(ZSTAD)と呼ばれる新たなタスク設定を提案する。 このソリューションのアーキテクチャとして,R-C3Dに基づくエンドツーエンドのディープネットワークを設計する。 THUMOS14とCharadesデータセットの両方の実験は、目に見えない活動を検出するという点で有望なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2020-03-12T02:40:36Z)
• 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。