論文の概要: Video-Based Sexual Harassment Detection Using Fine-Tuned Video Transformers

• arxiv url: http://arxiv.org/abs/2610.15354v1
• Date: Sun, 11 Oct 2026 05:28:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 01:33:34.416822
• Title: Video-Based Sexual Harassment Detection Using Fine-Tuned Video Transformers
• Title（参考訳）: 微調整ビデオトランスを用いたビデオベースセクシャルハラスメント検出
• Abstract要約: 私たちはSexual Harassment Videoデータセットを、YouTubeからソースされた600の短いビデオクリップに拡張します。 我々は、バイナリハラスメント分類のために、最先端の3つのビデオトランスフォーマーモデル、VideoMAE、ViViT、TimeSformerを微調整する。
• 参考スコア（独自算出の注目度）: 0.2446948464551684
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sexual harassment represents a pervasive societal challenge, with a substantial proportion of incidents remaining unreported due to insufficient evidence and delayed intervention mechanisms. Smart surveillance systems capable of detecting such incidents in real-time could assist law enforcement and serve as a deterrent. However, video-based harassment detection poses significant challenges, including variations in clothing, illumina- tion, partial occlusions, low resolution, and diverse camera view- points. Despite its social importance, this problem has received limited research attention, primarily due to the scarcity of large- scale annotated video datasets. To address this gap, we extend the Sexual Harassment Video (SHV) dataset to 600 short video clips sourced from YouTube and annotated into harassment and non-harassment categories using consistent labeling guidelines. We fine-tune three state-of-the-art video transformer models, VideoMAE, ViViT, and TimeSformer, pretrained on Kinetics- 400, for binary harassment classification. Experimental results show that all three models achieve competitive classification performance, with TimeSformer attaining the highest test accu- racy of 92.27%, outperforming VideoMAE 91.71% and ViViT 91.16% on the extended SHV test set. Our analysis reveals that performance is notably influenced by dataset size, video quality, frame sampling strategy, and model architecture. This work presents a comprehensive evaluation of modern video transformers for this sensitive real-world task.
• Abstract（参考訳）: セクシュアルハラスメントは、不十分な証拠と遅延した介入機構のために報告されていない出来事のかなりの割合が残っている、広範にわたる社会的課題である。 このような事象をリアルタイムで検出できるスマート監視システムは、法執行を助け、抑止力として機能する可能性がある。 しかし、ビデオベースのハラスメント検出は、衣服、照明、部分閉塞、低解像度、多様なカメラビューポイントのバリエーションなど、重大な課題を生じさせる。 社会的な重要性にもかかわらず、この問題は、大規模な注釈付きビデオデータセットが不足していることから、限られた研究の注目を集めている。 このギャップに対処するため、Sexual Harassment Video(SHV)データセットをYouTubeからソースされた600の短いビデオクリップに拡張し、一貫性のあるラベル付けガイドラインを使用してハラスメントと非ハラスメントのカテゴリに注釈付けします。 Kinetics-400で事前訓練された3つの最先端ビデオトランスフォーマーモデル、VideoMAE、ViViT、TimeSformerをバイナリハラスメント分類のために微調整する。 実験の結果、TimeSformerは92.27%、VideoMAE 91.71%、ViViT 91.16%を上回り、競争力のある分類性能を達成した。 分析の結果,データセットのサイズ,映像品質,フレームサンプリング戦略,モデルアーキテクチャなどの影響が顕著であることがわかった。 本研究は,このセンシティブな実世界の課題に対して,現代ビデオトランスフォーマーの包括的評価を行う。

関連論文リスト

• Can We Defend Against AI-Generated Video Attacks on Real-World Crisis Events? A Systematic Evaluation of Detectors, Generators and Social Dissemination [81.00778788481266]
  RA-Benchは、Real Videoをアンカーとして使用するAI生成ビデオ検出のベンチマークである。 RA-Benchには17,886本のビデオがあり、10のソーシャルリスクカテゴリーで1,830本のビデオアンカーがある。 3つの検出器ファミリーはいずれもRA-ベンチインスタンス全体にわたって一貫して一般化しない。
  論文  参考訳（メタデータ） (2026-08-14T15:32:56Z)
• Video-BrowseComp: Benchmarking Agentic Video Research on Open Web [64.53060049124961]
  Video-BrowseCompは、オープンウェブのエージェントによるビデオ推論に適した210の質問からなるベンチマークである。 これは時間的視覚的証拠に必須に依存しており、回答はテキスト検索のみでは導き出せないことを保証している。 初のオープンWebビデオ調査ベンチマークとして、Video-BrowseCompは、受動的知覚を越えて、プロアクティブなビデオ推論へと分野を前進させた。
  論文  参考訳（メタデータ） (2025-12-28T19:08:27Z)
• VANE-Bench: Video Anomaly Evaluation Benchmark for Conversational LMMs [64.60035916955837]
  VANE-Benchはビデオの異常や矛盾を検出するためのビデオLMMの熟練度を評価するために設計されたベンチマークである。 我々のデータセットは、既存の最先端のテキスト・ビデオ生成モデルを用いて合成された一連のビデオから構成される。 我々は、このベンチマークタスクにおいて、オープンソースとクローズドソースの両方で既存の9つのビデオLMMを評価し、ほとんどのモデルが微妙な異常を効果的に識別するのに困難に直面することを発見した。
  論文  参考訳（メタデータ） (2024-06-14T17:59:01Z)
• JOSENet: A Joint Stream Embedding Network for Violence Detection in Surveillance Videos [4.94659999696881]
  監視ビデオにおける暴力検出は、様々な実戦シーンのような追加の問題を提示する。 本稿では、監視ビデオにおける暴力検出に優れたパフォーマンスを提供する自己監視フレームワークJOSENetを紹介する。
  論文  参考訳（メタデータ） (2024-05-05T15:01:00Z)
• Anomaly detection in surveillance videos using transformer based attention model [3.2968779106235586]
  本研究は、トレーニングビデオにおける異常セグメントの注釈付けを避けるために、弱教師付き戦略を用いることを示唆する。 提案するフレームワークは,実世界のデータセット,すなわちShanghaiTech Campusデータセットで検証される。
  論文  参考訳（メタデータ） (2022-06-03T12:19:39Z)
• Video Action Detection: Analysing Limitations and Challenges [70.01260415234127]
  ビデオ行動検出における既存のデータセットを分析し,その限界について議論する。 静的画像から映像を区別する重要な特性である時間的側面を解析するバイアスネススタディを実行する。 このような極端な実験は、注意深いモデリングを必要とする既存の手法に忍び込んだバイアスの存在を示している。
  論文  参考訳（メタデータ） (2022-04-17T00:42:14Z)
• Detecting Violence in Video Based on Deep Features Fusion Technique [0.30458514384586394]
  本研究では、2つの畳み込みニューラルネットワーク(CNN)の融合技術を用いて暴力を検出する新しい方法を提案する。 提案手法の性能は,検出精度の観点から3つの標準ベンチマークデータセットを用いて評価した。
  論文  参考訳（メタデータ） (2022-04-15T12:51:20Z)

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。