論文の概要: Detection of Object Throwing Behavior in Surveillance Videos

• arxiv url: http://arxiv.org/abs/2403.06552v1
• Date: Mon, 11 Mar 2024 09:53:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-12 19:45:00.790548
• Title: Detection of Object Throwing Behavior in Surveillance Videos
• Title（参考訳）: サーベイランス映像における物体投下挙動の検出
• Authors: Ivo P.C. Kersten, Erkut Akdag, Egor Bondarev, Peter H. N. De With
• Abstract要約: 本稿では,ディープラーニングを用いた監視ビデオにおける投球行動検出手法を提案する。 Smart Cityプロジェクトのユースケースに対処するために、私たちはまず、新しいパブリックな"Throwing Action"データセットを生成します。 UCF-CrimeおよびThrowing-Actionデータセットにおける異常検出のための特徴抽出器の性能の比較を行った。
• 参考スコア（独自算出の注目度）: 8.841708075914353
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomalous behavior detection is a challenging research area within computer vision. Progress in this area enables automated detection of dangerous behavior using surveillance camera feeds. A dangerous behavior that is often overlooked in other research is the throwing action in traffic flow, which is one of the unique requirements of our Smart City project to enhance public safety. This paper proposes a solution for throwing action detection in surveillance videos using deep learning. At present, datasets for throwing actions are not publicly available. To address the use-case of our Smart City project, we first generate the novel public 'Throwing Action' dataset, consisting of 271 videos of throwing actions performed by traffic participants, such as pedestrians, bicyclists, and car drivers, and 130 normal videos without throwing actions. Second, we compare the performance of different feature extractors for our anomaly detection method on the UCF-Crime and Throwing-Action datasets. The explored feature extractors are the Convolutional 3D (C3D) network, the Inflated 3D ConvNet (I3D) network, and the Multi-Fiber Network (MFNet). Finally, the performance of the anomaly detection algorithm is improved by applying the Adam optimizer instead of Adadelta, and proposing a mean normal loss function that covers the multitude of normal situations in traffic. Both aspects yield better anomaly detection performance. Besides this, the proposed mean normal loss function lowers the false alarm rate on the combined dataset. The experimental results reach an area under the ROC curve of 86.10 for the Throwing-Action dataset, and 80.13 on the combined dataset, respectively.
• Abstract（参考訳）: 異常行動検出はコンピュータビジョンにおける困難な研究領域である。 この領域の進歩は、監視カメラフィードによる危険行動の自動検出を可能にする。 他の研究でしばしば見落とされがちな危険な行動は、公共の安全を高めるスマートシティプロジェクトのユニークな要件の1つである交通流の投球行動である。 本稿では,ディープラーニングを用いた監視ビデオにおける行動検出手法を提案する。 現在、アクションを投げるデータセットは公開されていない。 スマートシティ・プロジェクトのユースケースに対処するため,我々はまず,歩行者,自転車,カードライバーなどの交通参加者が行うスロー動作の271本のビデオと,スローアクションを行わずに130本のビデオからなる,新しい「スロー動作」データセットを作成しました。 第2に,UCF-CrimeおよびThrowing-Actionデータセットにおける異常検出のための特徴抽出器の性能の比較を行った。 提案する特徴抽出器は,Convolutional 3D (C3D) ネットワーク,Inflated 3D ConvNet (I3D) ネットワーク,MFNet (Multi-Fiber Network) である。 最後に,Adadeltaの代わりにAdamオプティマイザを適用し,交通の正常な状況をカバーする平均正規損失関数を提案することにより,異常検出アルゴリズムの性能を向上させる。 どちらの側面も異常検出性能が向上する。 さらに,提案する平均正規損失関数は,複合データセットの誤警報率を低下させる。 実験結果は, 投球動作データセットのroc曲線86.10, 複合データセットの80.13の範囲に到達した。

関連論文リスト

• 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)
• An Outlier Exposure Approach to Improve Visual Anomaly Detection Performance for Mobile Robots [76.36017224414523]
  移動ロボットの視覚異常検出システム構築の問題点を考察する。 標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。 本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-20T15:18:13Z)
• Minkowski Tracker: A Sparse Spatio-Temporal R-CNN for Joint Object Detection and Tracking [53.64390261936975]
  我々はオブジェクトの検出と追跡を共同で解決するスパース時間R-CNNであるMinkowski Trackerを提案する。 領域ベースCNN(R-CNN)に着想を得て,物体検出器R-CNNの第2段階として動きを追跡することを提案する。 大規模実験では,本手法の総合的な性能向上は4つの要因によることがわかった。
  論文  参考訳（メタデータ） (2022-08-22T04:47:40Z)
• Leveraging Trajectory Prediction for Pedestrian Video Anomaly Detection [14.740178121212132]
  本稿では,未監視歩行者異常事象検出における軌跡の局所化と予測の活用を提案する。 提案手法は,正常および異常な歩行者軌跡の予測誤差を利用して,空間的・時間的に異常を検出する。 実時間スケールの異なる実世界のベンチマークデータセットについて実験を行い,提案したトラジェクトリ予測に基づく異常検出パイプラインが効率的かつ効率的であることを示す。
  論文  参考訳（メタデータ） (2022-07-05T19:44:34Z)
• Learnable Online Graph Representations for 3D Multi-Object Tracking [156.58876381318402]
  3D MOT問題に対する統一型学習型アプローチを提案します。 我々は、完全にトレーニング可能なデータアソシエーションにNeural Message Passing Networkを使用します。 AMOTAの65.6%の最先端性能と58%のIDスウィッチを達成して、公開可能なnuScenesデータセットに対する提案手法のメリットを示す。
  論文  参考訳（メタデータ） (2021-04-23T17:59:28Z)
• Cycle and Semantic Consistent Adversarial Domain Adaptation for Reducing Simulation-to-Real Domain Shift in LiDAR Bird's Eye View [110.83289076967895]
  ドメイン適応プロセス中に関心のある小さなオブジェクトの情報を保存するために,事前の意味分類を用いたサイクガンに基づくbevドメイン適応法を提案する。 生成したBEVの品質は,KITTI 3D Object Detection Benchmarkの最先端3Dオブジェクト検出フレームワークを用いて評価されている。
  論文  参考訳（メタデータ） (2021-04-22T12:47:37Z)
• 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)
• 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)
• Anomalous Motion Detection on Highway Using Deep Learning [14.617786106427834]
  本稿では,新しい異常検出データセットであるハイウェイ交通異常(HTA)データセットを提案する。 我々は、最先端のディープラーニング異常検出モデルを評価し、これらの手法に新しいバリエーションを提案する。
  論文  参考訳（メタデータ） (2020-06-15T05:40:11Z)
• DriftNet: Aggressive Driving Behavior Classification using 3D EfficientNet Architecture [1.8734449181723827]
  アグレッシブ・ドリフト(Aggressive driving, 自動車のドリフト)は、人間の安全と生命を重大な危険に晒す危険な行動である。 ディープラーニングの最近の技術は、異なる文脈における異常検出のための新しいアプローチを提案した。 本稿では,アグレッシブな運転行動の検出に応用した新しい異常検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-18T08:36:04Z)
• 3D ResNet with Ranking Loss Function for Abnormal Activity Detection in Videos [6.692686655277163]
  この研究は、最近の異常な活動検出の最先端の研究に動機づけられている。 時間的アノテーションがない場合、そのようなモデルは異常を検出しながら誤報をしがちである。 本稿では,異常行動検出タスクを実行しながら,誤警報率を最小化するタスクに焦点をあてる。
  論文  参考訳（メタデータ） (2020-02-04T05:32:21Z)

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。