論文の概要: Crowd-level Abnormal Behavior Detection via Multi-scale Motion Consistency Learning

• arxiv url: http://arxiv.org/abs/2212.00501v1
• Date: Thu, 1 Dec 2022 13:52:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-02 15:02:55.029264
• Title: Crowd-level Abnormal Behavior Detection via Multi-scale Motion Consistency Learning
• Title（参考訳）: マルチスケール動作一貫性学習による群集レベルの異常行動検出
• Authors: Linbo Luo, Yuanjing Li, Haiyan Yin, Shangwei Xie, Ruimin Hu, Wentong Cai
• Abstract要約: 群集レベルの異常行動(CAB)は多くの群集災害の重大な原因であることが証明されている。 我々は,新しい群集運動学習フレームワーク,マルチスケール運動整合ネットワーク(MSMC-Net)を提案する。 MSMC-Netはまず、グラフ表現における空間的および時間的群集運動一貫性情報をキャプチャする。 同時に、さまざまなスケールで構築された複数の特徴グラフをトレーニングして、リッチな群衆パターンをキャプチャする。
• 参考スコア（独自算出の注目度）: 18.412026838387806
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Detecting abnormal crowd motion emerging from complex interactions of individuals is paramount to ensure the safety of crowds. Crowd-level abnormal behaviors (CABs), e.g., counter flow and crowd turbulence, are proven to be the crucial causes of many crowd disasters. In the recent decade, video anomaly detection (VAD) techniques have achieved remarkable success in detecting individual-level abnormal behaviors (e.g., sudden running, fighting and stealing), but research on VAD for CABs is rather limited. Unlike individual-level anomaly, CABs usually do not exhibit salient difference from the normal behaviors when observed locally, and the scale of CABs could vary from one scenario to another. In this paper, we present a systematic study to tackle the important problem of VAD for CABs with a novel crowd motion learning framework, multi-scale motion consistency network (MSMC-Net). MSMC-Net first captures the spatial and temporal crowd motion consistency information in a graph representation. Then, it simultaneously trains multiple feature graphs constructed at different scales to capture rich crowd patterns. An attention network is used to adaptively fuse the multi-scale features for better CAB detection. For the empirical study, we consider three large-scale crowd event datasets, UMN, Hajj and Love Parade. Experimental results show that MSMC-Net could substantially improve the state-of-the-art performance on all the datasets.
• Abstract（参考訳）: 個人の複雑な相互作用から生じる異常な群集の動きを検出することは、群衆の安全を確保するために最重要である。 群集レベルの異常行動(cab)、例えばカウンターフローや群集乱流は、多くの群集災害の重要な原因であることが証明されている。 近年、ビデオ異常検出(VAD)技術は、個人レベルの異常な動作(例えば、突然のランニング、戦闘、盗難)を検知することに成功したが、CABに対するVADの研究は限られている。 個々のレベルの異常とは異なり、CABは局所的に観察された場合の正常な行動と顕著な差は見られず、CABの規模はシナリオによって異なる可能性がある。 本稿では,群衆運動学習フレームワークであるマルチスケール運動整合ネットワーク(MSMC-Net)を用いて,CABに対するVADの重要な問題に取り組むための系統的研究を行う。 MSMC-Netはまず、グラフ表現における空間的および時間的群集運動一貫性情報をキャプチャする。 そして、異なるスケールで構築された複数の特徴グラフを同時に訓練し、豊かな群衆パターンをキャプチャする。 注意ネットワークは、CAB検出を改善するために、マルチスケール機能を適応的に融合するために使用される。 実証実験では,3つの大規模イベントデータセット,UMN,Hajj,Love Paradeについて考察する。 実験結果から,MSMC-Netは全データセットの最先端性能を大幅に向上できることが示された。

関連論文リスト

• Continuous Memory Representation for Anomaly Detection [24.58611060347548]
  CRADは「連続的」メモリ内の正常な特徴を表現するための新しい異常検出手法である。 MVTec ADデータセットを用いた評価では、CRADは、マルチクラス統一異常検出におけるエラーの65.0%を削減し、従来の最先端手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-02-28T12:38:44Z)
• Dynamic Erasing Network Based on Multi-Scale Temporal Features for Weakly Supervised Video Anomaly Detection [103.92970668001277]
  弱教師付きビデオ異常検出のための動的消去ネットワーク(DE-Net)を提案する。 まず,異なる長さのセグメントから特徴を抽出できるマルチスケール時間モデリングモジュールを提案する。 そして,検出された異常の完全性を動的に評価する動的消去戦略を設計する。
  論文  参考訳（メタデータ） (2023-12-04T09:40:11Z)
• Improving Vision Anomaly Detection with the Guidance of Language Modality [64.53005837237754]
  本稿では,マルチモーダルの観点から視覚モダリティの課題に取り組む。 本稿では,冗長な情報問題とスパース空間問題に対処するために,クロスモーダルガイダンス(CMG)を提案する。 視覚異常検出のためのよりコンパクトな潜在空間を学習するために、CMLEは言語モダリティから相関構造行列を学習する。
  論文  参考訳（メタデータ） (2023-10-04T13:44:56Z)
• Abnormal Event Detection via Hypergraph Contrastive Learning [54.80429341415227]
  異常事象検出は多くの実アプリケーションにおいて重要な役割を果たす。 本稿では,分散異種情報ネットワークにおける異常事象検出問題について検討する。 AEHCLと呼ばれる新しいハイパーグラフコントラスト学習法が,異常事象のパターンをフルに捉えるために提案されている。
  論文  参考訳（メタデータ） (2023-04-02T08:23:20Z)
• Towards Continual Egocentric Activity Recognition: A Multi-modal Egocentric Activity Dataset for Continual Learning [21.68009790164824]
  UESTC-MMEA-CLという連続学習のためのマルチモーダル・エゴセントリックな活動データセットを提案する。 ビデオ、加速度計、ジャイロスコープの同期データを含み、32種類の日常活動が10人の参加者によって行われる。 RGB, 加速度, ジャイロスコープの3つのモードを別々に使用した場合に, エゴセントリックな活動認識の結果が報告される。
  論文  参考訳（メタデータ） (2023-01-26T04:32:00Z)
• Coarse-to-Fine Knowledge-Enhanced Multi-Interest Learning Framework for Multi-Behavior Recommendation [52.89816309759537]
  マルチタイプの行動(例えば、クリック、カートの追加、購入など)は、ほとんどの現実世界のレコメンデーションシナリオに広く存在する。 最先端のマルチ振る舞いモデルは、すべての歴史的相互作用を入力として区別しない振る舞い依存を学習する。 本稿では,多様な行動に対する共有的・行動特異的な関心を学習するための,多目的学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-03T05:28:14Z)
• Hybrid Classifiers for Spatio-temporal Real-time Abnormal Behaviors Detection, Tracking, and Recognition in Massive Hajj Crowds [1.8186887490616164]
  本稿では,Hajj データセット (HAJJv2) の注釈付きおよびラベル付き大規模集団異常行動について紹介する。 我々は,小規模・大規模の群衆ビデオにおいて,時空間異常を検知し,認識するためのハイブリッド畳み込みニューラルネットワーク(CNN)とランダムフォレスト(RF)の2つの手法を提案する。
  論文  参考訳（メタデータ） (2022-07-25T06:52:55Z)
• Federated Variational Learning for Anomaly Detection in Multivariate Time Series [13.328883578980237]
  本稿では,非教師付き時系列異常検出フレームワークを提案する。 我々は,畳み込みGated Recurrent Unit(ConvGRU)モデルに基づいて,共有変分オートエンコーダ(VAE)を学習するために,エッジに分散したトレーニングデータを残しておく。 3つの実世界のネットワークセンサーデータセットの実験は、他の最先端モデルに対する我々のアプローチの利点を示しています。
  論文  参考訳（メタデータ） (2021-08-18T22:23:15Z)
• F-FADE: Frequency Factorization for Anomaly Detection in Edge Streams [53.70940420595329]
  エッジストリームにおける異常検出のための新しいアプローチであるF-FADEを提案する。 ノード対間の相互作用の周波数の時間進化分布を効率的にモデル化するために、新しい周波数分解技術を用いる。 F-FADEは、一定メモリしか必要とせず、時間的および構造的な変化を伴う幅広い種類の異常をオンラインストリーミング環境で処理できる。
  論文  参考訳（メタデータ） (2020-11-09T19:55:40Z)
• DIRV: Dense Interaction Region Voting for End-to-End Human-Object Interaction Detection [53.40028068801092]
  本稿では,HOI問題に対するインタラクション領域という新しい概念に基づいて,新しい一段階HOI検出手法を提案する。 従来の手法とは異なり,本手法は人-物対ごとに異なるスケールにわたる密集した相互作用領域に焦点をあてる。 単一相互作用領域の検出欠陥を補うために,我々は新しい投票戦略を導入する。
  論文  参考訳（メタデータ） (2020-10-02T13:57:58Z)

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。