論文の概要: Active shooter detection and robust tracking utilizing supplemental synthetic data

• arxiv url: http://arxiv.org/abs/2309.03381v1
• Date: Wed, 6 Sep 2023 21:58:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-08 14:59:41.659875
• Title: Active shooter detection and robust tracking utilizing supplemental synthetic data
• Title（参考訳）: 補足合成データを用いたアクティブシューター検出とロバストトラッキング
• Authors: Joshua R. Waite, Jiale Feng, Riley Tavassoli, Laura Harris, Sin Yong Tan, Subhadeep Chakraborty, Soumik Sarkar
• Abstract要約: 米国における銃暴力は、公共の安全を改善するシステムの開発に焦点をあてている。 1つのアプローチは、乱射事件の予防または緩和に役立つシューターを検出し、追跡することである。 我々は、銃だけでなく、射撃者全体を検出することを提案し、追跡の堅牢性を改善することを可能にした。
• 参考スコア（独自算出の注目度）: 6.719034568121972
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The increasing concern surrounding gun violence in the United States has led to a focus on developing systems to improve public safety. One approach to developing such a system is to detect and track shooters, which would help prevent or mitigate the impact of violent incidents. In this paper, we proposed detecting shooters as a whole, rather than just guns, which would allow for improved tracking robustness, as obscuring the gun would no longer cause the system to lose sight of the threat. However, publicly available data on shooters is much more limited and challenging to create than a gun dataset alone. Therefore, we explore the use of domain randomization and transfer learning to improve the effectiveness of training with synthetic data obtained from Unreal Engine environments. This enables the model to be trained on a wider range of data, increasing its ability to generalize to different situations. Using these techniques with YOLOv8 and Deep OC-SORT, we implemented an initial version of a shooter tracking system capable of running on edge hardware, including both a Raspberry Pi and a Jetson Nano.
• Abstract（参考訳）: アメリカにおける銃暴力に関する懸念が高まり、公共の安全を改善するシステムの開発に焦点が当てられている。 このようなシステムを開発する1つのアプローチは、乱射事件の予防や緩和に役立つシューターを検出し追跡することである。 そこで本研究では,銃の装填によってシステムが脅威を見失わないため,追跡性が向上する銃ではなく,全体として射撃者を検出することを提案した。 しかし、銃器の公開データは、銃のデータセット単独よりもはるかに限定的で、作成が難しい。 そこで我々は,unreal engine環境から得られた合成データを用いたトレーニングの有効性を向上させるために,ドメインランダム化とトランスファー学習の利用を検討する。 これにより、モデルがより広い範囲のデータでトレーニングされ、異なる状況に一般化する能力が向上します。 これらの技術をyolov8とdeep oc-sortで使用し,raspberry piとjetson nanoの両方を含むエッジハードウェア上で動作可能なシューティングトラッキングシステムの初期バージョンを実装した。

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)
• Distributed Intelligent Video Surveillance for Early Armed Robbery Detection based on Deep Learning [0.0]
  ラテンアメリカでの低い雇用率が犯罪の顕著な増加に寄与し、新たな犯罪戦術が出現した。 近年の研究では、兵器検知器を監視カメラに埋め込むことによって、この問題にアプローチしている。 これらのシステムは、イベントを確認できない場合、偽陽性になりがちである。 コンピュータビジョンパイプラインとオブジェクト検出機能を複数のデバイスに統合する分散IoTシステムを提案する。
  論文  参考訳（メタデータ） (2024-10-13T05:20:35Z)
• CCTV-Gun: Benchmarking Handgun Detection in CCTV Images [59.24281591714385]
  銃の暴力は重要なセキュリティ問題であり、コンピュータビジョンコミュニティが効果的な銃検出アルゴリズムを開発することが必須である。 実際のCCTV画像から銃を検出することは、未だに困難で未調査の課題である。 我々は,実世界のCCTV画像における拳銃検出の課題に対処するベンチマーク「textbfCCTV-Gun」を提案する。
  論文  参考訳（メタデータ） (2023-03-19T16:17:35Z)
• RelaxLoss: Defending Membership Inference Attacks without Losing Utility [68.48117818874155]
  より達成可能な学習目標を持つ緩和された損失に基づく新しい学習フレームワークを提案する。 RelaxLossは、簡単な実装と無視可能なオーバーヘッドのメリットを加えた任意の分類モデルに適用できる。 当社のアプローチはMIAに対するレジリエンスの観点から,常に最先端の防御機構より優れています。
  論文  参考訳（メタデータ） (2022-07-12T19:34:47Z)
• A Tutorial on Adversarial Learning Attacks and Countermeasures [0.0]
  機械学習モデルは、それを明示的にプログラムすることなく、高精度な予測を行うことができる。 敵の学習攻撃は 深刻なセキュリティの脅威を 引き起こす 本稿では、敵対的学習の原理を詳細に解説し、異なる攻撃シナリオを説明し、この脅威に対する最先端の防御機構について深い洞察を与える。
  論文  参考訳（メタデータ） (2022-02-21T17:14:45Z)
• Fixed Points in Cyber Space: Rethinking Optimal Evasion Attacks in the Age of AI-NIDS [70.60975663021952]
  ネットワーク分類器に対するブラックボックス攻撃について検討する。 我々は、アタッカー・ディフェンダーの固定点がそれ自体、複雑な位相遷移を持つ一般サムゲームであると主張する。 攻撃防御力学の研究には連続的な学習手法が必要であることを示す。
  論文  参考訳（メタデータ） (2021-11-23T23:42:16Z)
• 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)
• The Feasibility and Inevitability of Stealth Attacks [63.14766152741211]
  我々は、攻撃者が汎用人工知能システムにおける決定を制御できる新しい敵の摂動について研究する。 敵対的なデータ修正とは対照的に、ここで考慮する攻撃メカニズムには、AIシステム自体の変更が含まれる。
  論文  参考訳（メタデータ） (2021-06-26T10:50:07Z)
• A Gun Detection Dataset and Searching for Embedded Device Solutions [1.2149550080095914]
  我々は,51Kのアノテートガン画像と,51Kのトリミングガンチップ画像を用いた銃分類データセットを公表した。 我々の知る限り、これは銃検出研究の最大のデータセットである。 また,組込みエッジデバイス(カメラ)における銃検出ソリューションの探索や,クラウドサーバ上での銃・銃の分類についても検討した。
  論文  参考訳（メタデータ） (2021-05-03T17:58:45Z)
• An Empirical Review of Adversarial Defenses [0.913755431537592]
  このようなシステムの基礎を形成するディープニューラルネットワークは、敵対攻撃と呼ばれる特定のタイプの攻撃に非常に影響を受けやすい。 ハッカーは、最小限の計算でも、敵対的な例(他のクラスに属するイメージやデータポイント)を生成し、そのようなアルゴリズムの基礎を崩壊させることができます。 本稿では,DropoutとDenoising Autoencodersの2つの効果的な手法を示し,そのような攻撃がモデルを騙すのを防ぐことに成功したことを示す。
  論文  参考訳（メタデータ） (2020-12-10T09:34:41Z)
• Physically Realizable Adversarial Examples for LiDAR Object Detection [72.0017682322147]
  本稿では,LiDAR検出器を騙すために,汎用な3次元対向物体を生成する手法を提案する。 特に,LiDAR検出器から車両を完全に隠蔽するために,車両の屋根上に対向物体を配置し,その成功率は80%であることを示した。 これは、限られたトレーニングデータから見知らぬ条件下での、より安全な自動運転への一歩だ。
  論文  参考訳（メタデータ） (2020-04-01T16:11:04Z)

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。