論文の概要: A Multi-Task Deep Learning Framework for Real-Time Intelligent Video Surveillance with Temporal Event Validation
- arxiv url: http://arxiv.org/abs/2607.03131v1
- Date: Fri, 03 Jul 2026 09:20:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.528345
- Title: A Multi-Task Deep Learning Framework for Real-Time Intelligent Video Surveillance with Temporal Event Validation
- Title（参考訳）: 時間イベント検証によるリアルタイムインテリジェントビデオサーベイランスのためのマルチタスクディープラーニングフレームワーク
- Abstract要約: 本稿では,顔認識,ナンバープレート認識,武器検出,火災・煙検知,人間の行動認識を同時に行うマルチタスク深層学習フレームワークを提案する。
連続ビデオの堅牢性を改善するため、全ての検出モジュールは時間的イベントバリデーションアーキテクチャに統合される。
その結果,コモディティハードウェア上では,フレーム毎のレイテンシが100ミリ秒未満のリアルタイム動作が維持されていることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modern video surveillance systems generate far more video streams than human operators can effectively monitor, making automated analysis essential for timely detection of security events. This paper presents a unified multi-task deep learning framework that simultaneously performs face recognition with zone-based authorization, automatic license plate recognition, weapon detection, fire and smoke detection, and human action recognition on a shared GPU platform. Among the integrated modules, two task-specific deep-learning models are proposed in this work to address scenarios that are insufficiently represented in publicly available datasets: a single-class weapon detector fine-tuned on a merged and relabeled dataset, achieving a mean average precision (mAP@0.5) of 0.947, and a SlowFast-R50 action recognition model trained on a purpose-built vandalism dataset comprising 614 video clips, achieving 94.33% classification accuracy. To improve robustness in continuous video, all detection modules are integrated into a temporal event-validation architecture based on multi-frame confirmation, confidence-weighted voting, and cascaded filtering, transforming frame-level predictions into reliable security events. Each module is evaluated independently on established public datasets (LFW, D-Fire, FIRESENSE, and UCF-Crime), followed by integrated end-to-end system evaluation. The proposed temporal validation strategy reduces the fire and smoke false-alarm rate from 52% to 4% and improves video license plate exact-match accuracy from 66.7% to 81.8%, while the complete framework maintains real-time operation with a per-frame latency below 100 ms on commodity hardware. These results demonstrate that combining specialized deep-learning models with temporal event validation provides an effective and practical solution for reliable real-time intelligent video surveillance.
- Abstract（参考訳）: 現代のビデオ監視システムは、人間のオペレーターが効果的に監視できるよりもはるかに多くのビデオストリームを生成し、セキュリティイベントをタイムリーに検出するためには自動分析が不可欠である。
本稿では、ゾーンベースの認証、自動ナンバープレート認識、武器検出、火災・煙検知、人為的行動認識をGPUプラットフォーム上で同時に行うマルチタスク深層学習フレームワークを提案する。
統合されたモジュールのうち、2つのタスク固有のディープラーニングモデルが、公開データセットで不十分に表現されるシナリオに対処するために提案されている: 統合および拡張データセット上で微調整され、平均平均精度(mAP@0.5)が0.947、SlowFast-R50アクション認識モデルが614のビデオクリップからなる目的構築型バンダリズムデータセットでトレーニングされ、94.33%の分類精度を達成する。
連続ビデオの堅牢性を改善するため、すべての検出モジュールは、多フレーム確認、信頼度重み付け投票、カスケードフィルタリングに基づいて、時間的イベントバリデーションアーキテクチャに統合され、フレームレベルの予測を信頼性の高いセキュリティイベントに変換する。
各モジュールは、確立された公開データセット(LFW、D-Fire、FIRESENSE、UCF-Crime)に基づいて独立に評価され、その後、統合されたエンドツーエンドシステム評価が行われる。
提案した時間的検証戦略は、火災と煙の誤警報率を52%から4%に削減し、ビデオナンバーの正確なマッチング精度を66.7%から81.8%に改善する一方、完全なフレームワークは、100ミリ秒以下のコモディティハードウェア上でのフレーム毎のレイテンシでリアルタイム操作を維持している。
これらの結果から,専門的なディープラーニングモデルと時間的イベント検証を組み合わせることで,信頼性の高いリアルタイムビデオ監視を実現するための効果的かつ実用的なソリューションが得られた。
関連論文リスト
- City Sentinel: A Unified AI-Based Smart Surveillance Framework for Real-Time Multi-Threat Detection Using Deep Learning [0.06999740786886534]
City Sentinelは、AIベースの統合監視フレームワークで、6つの検出機能をひとつのスケーラブルプラットフォームに統合する。
システムは、743msの中央値のエンドツーエンドレイテンシを実現し、4つの同時RTSPストリームをサポートする。
91.2%の顔照合率、85.7%のプレート読み取り精度、mAP@0.5スコアは火器、ナイフ、兵器検出モジュール全体で0.846から0.889である。
論文 参考訳（メタデータ） (2026-08-09T19:59:31Z) - VigilFormer: Deformable Attention for Video Anomaly Detection with Causal Risk Inference [2.538209532048867]
本稿では,ビデオ監視映像の異常を検出するために,変形可能な注意と因果時間モデルを組み合わせた統合フレームワークを提案する。
VigilFormer, ShanghaiTech, CUHK Avenueのフレームワークを1つのGPU上で41.5 FPSで評価した。
論文 参考訳（メタデータ） (2026-05-31T14:27:57Z) - Real-Time Multi-Modal Embedded Vision Framework for Object Detection Facial Emotion Recognition and Biometric Identification on Low-Power Edge Platforms [0.44219509596259216]
Raspberry Pi 5エッジプラットフォーム上にデプロイされた統合パイプラインにオブジェクト検出、所有者固有の顔認識、感情検出を統合したリアルタイムマルチモーダルビジョンフレームワークを提案する。
我々の研究は、コスト効率の良いエッジハードウェア上で複雑なマルチモーダルAIをアンロックする鍵は、コンテキスト対応のスケジューリングであることを示している。
論文 参考訳（メタデータ） (2026-01-17T09:06:47Z) - Short-Window Sliding Learning for Real-Time Violence Detection via LLM-based Auto-Labeling [0.6999740786886536]
本稿では,CCTV映像におけるリアルタイム暴力検出のためのショートウィンドウスライディング学習フレームワークを提案する。
提案手法は,動画を1～2秒のクリップに分割し,Large Language Model(LLM)に基づく自動キャプションラベリングを適用し,詳細なデータセットを構築する。
論文 参考訳（メタデータ） (2025-11-14T00:29:31Z) - Lie Detector: Unified Backdoor Detection via Cross-Examination Framework [68.45399098884364]
半正直な設定で一貫したバックドア検出フレームワークを提案する。
本手法は,SoTAベースラインよりも5.4%,1.6%,11.9%の精度で検出性能が向上する。
特に、マルチモーダルな大規模言語モデルにおいて、バックドアを効果的に検出するのは、これが初めてである。
論文 参考訳（メタデータ） (2025-03-21T06:12:06Z) - CorrDiff: Adaptive Delay-aware Detector with Temporal Cue Inputs for Real-time Object Detection [11.714072240331518]
CorrDiffは、リアルタイム検出システムの遅延問題に対処するために設計された。
複数の将来のフレームに対するオブジェクトの位置を予測するために、実行時推定の時間的キューを利用することができる。
あらゆる種類のデバイスにおいて、厳格なリアルタイム処理要件を満たす。
論文 参考訳（メタデータ） (2025-01-09T10:34:25Z) - Spatiotemporal Attention-based Semantic Compression for Real-time Video
Recognition [117.98023585449808]
本稿では,各フレームにおけるフレームと画素の重要性を評価するために,時間的注意に基づくオートエンコーダ(STAE)アーキテクチャを提案する。
我々は3D-2D CNNを組み合わせた軽量デコーダを開発し、欠落した情報を再構成する。
実験の結果,VT_STAEはビデオデータセットH51を,5%の精度で104倍圧縮できることがわかった。
論文 参考訳（メタデータ） (2023-05-22T07:47:27Z) - Self-Supervised Representation Learning from Temporal Ordering of
Automated Driving Sequences [49.91741677556553]
本研究では、認識タスクのための地域レベルの特徴表現を事前学習するための時間順述前文タスクであるTempOを提案する。
我々は各フレームを、オブジェクト検出やトラッキングシステムにとって自然な表現である、未順序な特徴ベクトルのセットで埋め込む。
BDD100K、nu Images、MOT17データセットの大規模な評価は、私たちのTempO事前学習アプローチがシングルフレームの自己教師型学習方法よりも優れていることを示している。
論文 参考訳（メタデータ） (2023-02-17T18:18:27Z) - NSNet: Non-saliency Suppression Sampler for Efficient Video Recognition [89.84188594758588]
非定常フレームの応答を抑制するために, NSNet(Non-Sliency Suppression Network)を提案する。
NSNetは最先端の精度効率トレードオフを実現し、最先端の手法よりもはるかに高速な2.44.3xの実用的な推論速度を示す。
論文 参考訳（メタデータ） (2022-07-21T09:41:22Z) - ACDnet: An action detection network for real-time edge computing based
on flow-guided feature approximation and memory aggregation [8.013823319651395]
ACDnetは、リアルタイムエッジコンピューティングをターゲットとしたコンパクトなアクション検出ネットワークです。
連続するビデオフレーム間の時間的コヒーレンスを利用してCNNの特徴を近似する。
リアルタイム(75FPS)よりはるかに高い精度で検出できる。
論文 参考訳（メタデータ） (2021-02-26T14:06:31Z) - Identity-Aware Attribute Recognition via Real-Time Distributed Inference
in Mobile Edge Clouds [53.07042574352251]
我々は、MEC対応カメラ監視システムにおいて、re-IDを用いた歩行者属性認識のための新しいモデルの設計を行う。
本稿では,属性認識と人物再IDを協調的に考慮し,分散モジュールの集合を持つ新しい推論フレームワークを提案する。
そこで我々は,提案した分散推論フレームワークのモジュール分布の学習に基づくアルゴリズムを考案した。
論文 参考訳（メタデータ） (2020-08-12T12:03:27Z) - Uncertainty-Aware Weakly Supervised Action Detection from Untrimmed
Videos [82.02074241700728]
本稿では,ビデオフレームラベルのみを用いてトレーニングした,禁止レベルの行動認識モデルを提案する。
人1人当たりの手法は、複数のインスタンス学習フレームワーク内の大規模な画像データセットで訓練されている。
標準的な多重インスタンス学習の仮定では、各バッグには、指定されたラベルを持つ少なくとも1つのインスタンスが含まれているという仮定が無効である場合、どのようにメソッドを適用するかを示す。
論文 参考訳（メタデータ） (2020-07-21T10:45:05Z)
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。