論文の概要: Detection of Fights in Videos: A Comparison Study of Anomaly Detection and Action Recognition

• arxiv url: http://arxiv.org/abs/2205.11394v1
• Date: Mon, 23 May 2022 15:41:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-25 00:31:22.070832
• Title: Detection of Fights in Videos: A Comparison Study of Anomaly Detection and Action Recognition
• Title（参考訳）: ビデオにおける戦闘の検出:異常検出と行動認識の比較研究
• Authors: Weijun Tan, Jingfeng Liu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.8073142980733
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detection of fights is an important surveillance application in videos. Most existing methods use supervised binary action recognition. Since frame-level annotations are very hard to get for anomaly detection, weakly supervised learning using multiple instance learning is widely used. This paper explores the detection of fights in videos as one special type of anomaly detection and as binary action recognition. We use the UBI-Fight and NTU-CCTV-Fight datasets for most of the study since they have frame-level annotations. We find that the anomaly detection has similar or even better performance than the action recognition. Furthermore, we study to use anomaly detection as a toolbox to generate training datasets for action recognition in an iterative way conditioned on the performance of the anomaly detection. Experiment results should show that we achieve state-of-the-art performance on three fight detection datasets.
• Abstract（参考訳）: 戦闘の検出はビデオにおける重要な監視アプリケーションである。 既存の手法のほとんどは、教師付きバイナリアクション認識を使用する。 フレームレベルのアノテーションは異常検出には非常に難しいため、複数のインスタンス学習を用いた弱い教師付き学習が広く使用されている。 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,またバイナリアクション認識として検討する。 UBI-Fight と NTU-CCTV-Fight のデータセットはフレームレベルのアノテーションがあるため、ほとんどの研究で使用しています。 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。 さらに, 異常検出をツールボックスとして使用して, 異常検出の性能に配慮した反復的な方法で, 行動認識のためのトレーニングデータセットを生成する。 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。

関連論文リスト

• 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)
• DOAD: Decoupled One Stage Action Detection Network [77.14883592642782]
  人々をローカライズし、ビデオからアクションを認識することは、ハイレベルなビデオ理解にとって難しい課題だ。 既存の手法は主に2段階ベースで、1段階は人物境界ボックス生成、もう1段階は行動認識を行う。 本稿では、時間的行動検出の効率を向上させるために、DOADと呼ばれる分離したワンステージネットワークを提案する。
  論文  参考訳（メタデータ） (2023-04-01T08:06:43Z)
• Weakly Supervised Two-Stage Training Scheme for Deep Video Fight Detection Model [0.0]
  ビデオにおけるファイト検出は、今日の監視システムとストリーミングメディアの普及にともなう、新たなディープラーニングアプリケーションである。 これまでの研究は、この問題に対処するための行動認識技術に大きく依存していた。 本研究では,動作認識特徴抽出器と異常スコア生成器の合成として,戦闘検出モデルを設計する。
  論文  参考訳（メタデータ） (2022-09-23T08:29:16Z)
• Anomaly Crossing: A New Method for Video Anomaly Detection as Cross-domain Few-shot Learning [32.0713939637202]
  ビデオ異常検出は、ビデオで発生した異常事象を特定することを目的としている。 従来のアプローチのほとんどは、教師なしまたは半教師なしの手法で通常のビデオからのみ学習する。 本稿では,ビデオの異常検出に通常のビデオと異常ビデオの両方をフル活用することで,新たな学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2021-12-12T20:49:38Z)
• UBnormal: New Benchmark for Supervised Open-Set Video Anomaly Detection [103.06327681038304]
  本稿では,複数の仮想シーンで構成された教師付きオープンセット・ベンチマークを提案する。 既存のデータセットとは異なり、トレーニング時に画素レベルでアノテートされた異常事象を導入する。 UBnormalは最先端の異常検出フレームワークの性能を向上させることができることを示す。
  論文  参考訳（メタデータ） (2021-11-16T17:28:46Z)
• Weakly Supervised Video Anomaly Detection via Center-guided Discriminative Learning [25.787860059872106]
  監視ビデオの異常検出は、異常なビデオコンテンツと持続時間の多様性のために難しい作業です。 本稿では,トレーニング段階でビデオレベルラベルのみを必要とする異常回帰ネット(ar-net)と呼ばれる異常検出フレームワークを提案する。 本手法は,上海テクデータセットにおける映像異常検出に新たな最先端結果を与える。
  論文  参考訳（メタデータ） (2021-04-15T06:41:23Z)
• Anomaly Recognition from surveillance videos using 3D Convolutional Neural Networks [0.0]
  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。
  論文  参考訳（メタデータ） (2021-01-04T16:32:48Z)
• 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)
• Self-Supervised Representation Learning for Visual Anomaly Detection [9.642625267699488]
  本稿では,画像映像における異常検出の問題点を考察し,新しい視覚的異常検出手法を提案する。 光フロー情報を用いることなくビデオフレーム間の時間的コヒーレンスを学習するための,簡単なセルフスーパービジョンアプローチを提案する。 この直感的なアプローチは、UCF101およびILSVRC2015ビデオデータセット上の画像やビデオの多くの方法と比較して、視覚異常検出の優れた性能を示している。
  論文  参考訳（メタデータ） (2020-06-17T04:37:29Z)
• Self-trained Deep Ordinal Regression for End-to-End Video Anomaly Detection [114.9714355807607]
  ビデオ異常検出に自己学習深層順序回帰を適用することで,既存の手法の2つの重要な限界を克服できることを示す。 我々は,手動で正規/異常データをラベル付けすることなく,共同表現学習と異常スコアリングを可能にする,エンドツーエンドのトレーニング可能なビデオ異常検出手法を考案した。
  論文  参考訳（メタデータ） (2020-03-15T08:44:55Z)

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。