論文の概要: VelocityNet: Real-Time Crowd Anomaly Detection via Person-Specific Velocity Analysis
- arxiv url: http://arxiv.org/abs/2510.18187v1
- Date: Tue, 21 Oct 2025 00:26:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-25 03:08:12.740431
- Title: VelocityNet: Real-Time Crowd Anomaly Detection via Person-Specific Velocity Analysis
- Title（参考訳）: VelocityNet: 個人別速度解析によるリアルタイム集団異常検出
- Authors: Fatima AlGhamdi, Omar Alharbi, Abdullah Aldwyish, Raied Aljadaany, Muhammad Kamran J Khan, Huda Alamri,
- Abstract要約: 本稿では,頭部検出と高密度光流を組み合わせて人固有の速度を抽出する,二重パイプラインフレームワークであるVelocityNetを紹介する。
密集した環境下での多様な異常な動きパターンをリアルタイムに検出する上で,本フレームワークの有効性を示す実験を行った。
- 参考スコア（独自算出の注目度）: 0.3940725005144141
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Detecting anomalies in crowded scenes is challenging due to severe inter-person occlusions and highly dynamic, context-dependent motion patterns. Existing approaches often struggle to adapt to varying crowd densities and lack interpretable anomaly indicators. To address these limitations, we introduce VelocityNet, a dual-pipeline framework that combines head detection and dense optical flow to extract person-specific velocities. Hierarchical clustering categorizes these velocities into semantic motion classes (halt, slow, normal, and fast), and a percentile-based anomaly scoring system measures deviations from learned normal patterns. Experiments demonstrate the effectiveness of our framework in real-time detection of diverse anomalous motion patterns within densely crowded environments.
- Abstract（参考訳）: 密集したシーンにおける異常の検出は、重度の対人閉塞と、非常にダイナミックで文脈に依存した動きパターンにより困難である。
既存のアプローチは、しばしば様々な群衆密度に適応するのに苦労し、解釈可能な異常指標が欠如している。
このような制約に対処するために,頭部検出と高密度光流を組み合わせた2重パイプラインフレームワークであるVelocityNetを導入し,人固有の速度を抽出する。
階層的クラスタリングは、これらの速度をセマンティックモーションクラス(半減、遅い、正常、速い)に分類し、パーセンタイルベースの異常スコアリングシステムは、学習された通常のパターンから逸脱を測定する。
密集した環境下での多様な異常な動きパターンをリアルタイムに検出する上で,本フレームワークの有効性を示す実験を行った。
関連論文リスト
- SlowFastVAD: Video Anomaly Detection via Integrating Simple Detector and RAG-Enhanced Vision-Language Model [52.47816604709358]
ビデオ異常検出(VAD)は、ビデオ内の予期せぬ事象を識別することを目的としており、安全クリティカルドメインに広く応用されている。
視覚言語モデル(VLM)は強力なマルチモーダル推論能力を示し、異常検出の新しい機会を提供している。
SlowFastVADは高速異常検出器と低速異常検出器を統合したハイブリッドフレームワークである。
論文 参考訳（メタデータ） (2025-04-14T15:30:03Z) - Detection of Anomalous Vehicular Traffic and Sensor Failures Using Data Clustering Techniques [0.0]
本研究では,高速道路センサからの交通流データの解析にクラスタリング手法を用いる。
複数のクラスタリング手法、すなわちパーティショニングと階層的手法を、様々な時系列表現と類似度尺度と組み合わせて検討する。
本手法は高速道路センサのリアルタイムデータに適用し,異なるクラスタリングフレームワークが交通パターン認識に与える影響を評価する。
論文 参考訳（メタデータ） (2025-04-01T15:09:39Z) - Weakly Supervised Video Anomaly Detection and Localization with Spatio-Temporal Prompts [57.01985221057047]
本稿では、事前学習された視覚言語モデル(VLM)に基づく、弱教師付きビデオ異常検出および局所化のための時間的プロンプト埋め込み(WSVADL)を学習する新しい手法を提案する。
提案手法は,WSVADLタスクの3つの公開ベンチマークにおける最先端性能を実現する。
論文 参考訳（メタデータ） (2024-08-12T03:31:29Z) - Unsupervised Detection of Behavioural Drifts with Dynamic Clustering and
Trajectory Analysis [5.720036481152982]
経時的変化の手順は、一般的にドリフト異常と呼ばれるが、文献ではあまり注目されていない。
そこで我々は,DynAmoという,完全に教師なしのリアルタイムドリフト検出アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-02-13T10:02:20Z) - Correlating sparse sensing for large-scale traffic speed estimation: A
Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。
次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
論文 参考訳（メタデータ） (2022-10-21T07:25:57Z) - FastAno: Fast Anomaly Detection via Spatio-temporal Patch Transformation [6.112591965159383]
本研究では,空間回転変換 (SRT) と時間混合変換 (TMT) を提案し,通常のフレームキューブ内で不規則なパッチキューブを生成する。
提案手法は,3つの異常検出ベンチマークで評価され,競争精度が向上し,それまでのすべての作業を速度的に上回っている。
論文 参考訳（メタデータ） (2021-06-16T08:14:31Z) - 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)
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。