論文の概要: Distributed Intelligent Video Surveillance for Early Armed Robbery Detection based on Deep Learning

• arxiv url: http://arxiv.org/abs/2410.09731v1
• Date: Sun, 13 Oct 2024 05:20:35 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-30 05:12:47.689834
• Title: Distributed Intelligent Video Surveillance for Early Armed Robbery Detection based on Deep Learning
• Title（参考訳）: 深層学習に基づく初期武装ロビー検出のための分散型インテリジェントビデオサーベイランス
• Authors: Sergio Fernandez-Testa, Edwin Salcedo,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Low employment rates in Latin America have contributed to a substantial rise in crime, prompting the emergence of new criminal tactics. For instance, "express robbery" has become a common crime committed by armed thieves, in which they drive motorcycles and assault people in public in a matter of seconds. Recent research has approached the problem by embedding weapon detectors in surveillance cameras; however, these systems are prone to false positives if no counterpart confirms the event. In light of this, we present a distributed IoT system that integrates a computer vision pipeline and object detection capabilities into multiple end-devices, constantly monitoring for the presence of firearms and sharp weapons. Once a weapon is detected, the end-device sends a series of frames to a cloud server that implements a 3DCNN to classify the scene as either a robbery or a normal situation, thus minimizing false positives. The deep learning process to train and deploy weapon detection models uses a custom dataset with 16,799 images of firearms and sharp weapons. The best-performing model, YOLOv5s, optimized using TensorRT, achieved a final mAP of 0.87 running at 4.43 FPS. Additionally, the 3DCNN demonstrated 0.88 accuracy in detecting abnormal situations. Extensive experiments validate that the proposed system significantly reduces false positives while autonomously monitoring multiple locations in real-time.
• Abstract（参考訳）: 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。 例えば、「急行強盗」は武装した泥棒が犯した一般的な犯罪となり、バイクを運転し、数秒で公の場で人々を暴行する。 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で、この問題にアプローチしている。 これを踏まえて、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し、銃器や鋭い武器の存在を常に監視する分散IoTシステムを提案する。 武器が検出されると、エンドデバイスは一連のフレームをクラウドサーバーに送信し、3DCNNを実装し、シーンを強盗または通常の状況として分類し、偽陽性を最小限にする。 兵器検出モデルを訓練し、デプロイするディープラーニングプロセスでは、銃器と鋭い武器の16,799イメージのカスタムデータセットを使用する。 最高性能のモデルであるYOLOv5sはTensorRTで最適化され、4.43 FPSで0.87のmAPを達成した。 さらに,3DCNNでは異常検出の精度が0.88であった。 大規模な実験により,提案システムは,複数の位置をリアルタイムで自律的に監視しながら,偽陽性を著しく低減することを確認した。

関連論文リスト

• Uncertainty Estimation for 3D Object Detection via Evidential Learning [63.61283174146648]
  本稿では,3次元検出器における鳥の視線表示における明らかな学習損失を利用して,3次元物体検出の不確かさを定量化するためのフレームワークを提案する。 本研究では,これらの不確実性評価の有効性と重要性を,分布外シーンの特定,局所化の不十分な物体の発見,および(偽陰性)検出の欠如について示す。
  論文  参考訳（メタデータ） (2024-10-31T13:13:32Z)
• Real Time Deep Learning Weapon Detection Techniques for Mitigating Lone Wolf Attacks [0.0]
  本研究は、モデル検証とトレーニングのための(You Look Only Once)ファミリーとFaster RCNNファミリに焦点を当てる。 モデルは推定速度8.1msで最高スコア78%に達する。 しかし、より高速なRCNNモデルはAP 89%を達成している。
  論文  参考訳（メタデータ） (2024-05-23T03:48:26Z)
• Active shooter detection and robust tracking utilizing supplemental synthetic data [6.719034568121972]
  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。
  論文  参考訳（メタデータ） (2023-09-06T21:58:58Z)
• 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)
• Using Undervolting as an On-Device Defense Against Adversarial Machine Learning Attacks [1.9212368803706579]
  本稿では,画像分類器のための新しい,軽量な逆補正および/または検出機構を提案する。 これらの誤りは、分類を正したり、入力を逆数として検出するために使用できる方法で、逆数入力を妨害することを示す。
  論文  参考訳（メタデータ） (2021-07-20T23:21:04Z)
• MULTICAST: MULTI Confirmation-level Alarm SysTem based on CNN and LSTM to mitigate false alarms for handgun detection in video-surveillance [11.626928736124038]
  CNNとLong Short Term Memory Network(LSTM)に基づくマルチ確認レベルAlarm SysTem(MULTICAST) 実験の結果,MultiCASTは,より高速なR-CNNベースの単一画像検出器と比較して80%の誤報数を減らすことがわかった。
  論文  参考訳（メタデータ） (2021-04-23T15:07:58Z)
• Towards Adversarial Patch Analysis and Certified Defense against Crowd Counting [61.99564267735242]
  安全クリティカルな監視システムの重要性から、群衆のカウントは多くの注目を集めています。 近年の研究では、ディープニューラルネットワーク(DNN)の手法が敵の攻撃に弱いことが示されている。 群衆カウントモデルのロバスト性を評価するために,Momentumを用いた攻撃戦略としてAdversarial Patch Attackを提案する。
  論文  参考訳（メタデータ） (2021-04-22T05:10:55Z)
• Exploring Adversarial Robustness of Multi-Sensor Perception Systems in Self Driving [87.3492357041748]
  本稿では,敵物体をホスト車両の上に配置することで,マルチセンサ検出の実用的感受性を示す。 実験の結果, 攻撃が成功した原因は主に画像の特徴が損なわれやすいことが判明した。 よりロバストなマルチモーダル知覚システムに向けて,特徴分断を伴う敵対的訓練が,このような攻撃に対するロバスト性を大幅に高めることを示す。
  論文  参考訳（メタデータ） (2021-01-17T21:15:34Z)
• 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)
• Firearm Detection and Segmentation Using an Ensemble of Semantic Neural Networks [62.997667081978825]
  本稿では,意味的畳み込みニューラルネットワークのアンサンブルに基づく兵器検出システムを提案する。 特定のタスクに特化した単純なニューラルネットワークのセットは、計算リソースを少なくし、並列にトレーニングすることができる。 個々のネットワークの出力の集約によって与えられるシステムの全体的な出力は、ユーザが偽陽性と偽陰性とをトレードオフするように調整することができる。
  論文  参考訳（メタデータ） (2020-02-11T13:58:16Z)

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。