Por favor, use este identificador para citar o enlazar este ítem: http://repositorio.yachaytech.edu.ec/handle/123456789/183
Título : Anomaly Detection System in Video Surveillance using Deep Learning Techniques
Autor : Guachi Guachi, Lorena de los Ángeles
Aguilera Jaramillo, Mauricio Andres
Armijos Bustamante, Daniel Alejandro
Palabras clave : Video Classification
Computer Vision
Anomaly Detection
Con- volutional Neural Networks
Clasificación de vídeo
Visión por computadora
Detección de anomalías
Redes neuronales convolucionales
Fecha de publicación : jul-2020
Editorial : Universidad de Investigación de Tecnología Experimental Yachay
Resumen : En el campo del análisis de videovigilancia, la detección de anomalías es una tarea esencial para garantizar la protección pública durante la detección de tramos que tienden a contener eventos inusuales como robos, asaltos, peleas, entre otros. Recientemente, Las Redes Neuronales Convolucionales (CNN en inglés), una categoría basada en técnicas de aprendizaje profundo (Deep Learning), ha mostrado un gran progreso en las tareas de visión por computadora, con aplicaciones relacionadas con la clasificación / reconocimiento de imágenes y vídeos, y mas específicamente para tareas de detección de anomalías. Sin embargo, no han sido capaces de manejar la precisión en escenarios reales debido a la presencia de ruido, contexto / situaciones específicas, variabilidad de como se definen los diferentes eventos, datos limitados para fines de entrenamiento, altos recursos computacionales necesarios para responder en tiempo real, entre otros. Este trabajo explora dos arquitecturas de CNN de clasificación de vídeo sobresalientes para analizar su estructura, su capacidad para ejecutarse en escenarios en tiempo real y la capacidad de clasificar adecuadamente los cuadros de vídeo en eventos normales y anormales. Tales anomalías incluyen abuso, arresto y asalto. También se presenta una nueva arquitectura de CNN, llamada Frankensnet, centrada en la clasificación de anomalías del cuadro de vídeo. Frankensnet tiene como objetivo tomar la caracter´ıstica estructural de las CNN exploradas, teniendo en cuenta la precisión lograda, la capacidad de detección en tiempo real y el tiempo de entrenamiento. Los experimentos se realizan en referencia al conjunto de datos UCF-Crime. Como resultados preliminares, este documento proporciona un punto de vista para seleccionar arquitecturas CNN para la identificación de anomalías, considerando la precisión, así como el tiempo de entrenamiento y ejecución. Ademas, FrankensNet demostró ser adecuado para escenarios que requieren una alta precisión. Sin embargo, entrenar la arquitectura toma aproximadamente el doble de tiempo que las arquitecturas exploradas. Finalmente, se proporciona un programa de escritorio para probar el rendimiento de cada arquitectura CNN en escenarios en tiempo real con tareas de detección de anomalías.
Descripción : In the field of video surveillance analysis, anomaly detection is an essential task to en- sure public protection throughout detecting frames which tend to contain unusual events such as robberies, assaults, fights, among others. Recently, Convolutional Neural Network (CNN), a category of deep learning techniques, have shown great progress in computer vision tasks, with applications related to both image and video classification / recognition, and more specifically for anomaly detection tasks. Nonetheless, they fail to handle accu- racy in real-scenarios due to the presence of noise, specific context/situations, variability of how different events are defined, limited data for training purposes, high computa- tional resources required to respond on real-time, among others. This work explores two outstanding video classification CNNs architectures to analyze their structucture, their capability to run in real-time scenarios, and the ability to properly classify video frames into normal and abnormal events. Such abnormal anomalies include abuse, arrest, and as- sault. It also introduces a new CNN achitecture, called Frankensnet, focused on anomaly classification from video frame. Frankensnet aims to take the structural characteristic of the explored CNNs, taking into account the accuracy achieved, caoability of detec- tion in real time and training time. Experiments are performed referring to UCF-Crime dataset. As the preliminary results, this paper provides a point-of-view to select CNN architectures for anomaly identification, considering accuracy as well as training and execution time. Moreover, FrankensNet demonstrated to be suitable for scenarios requiring a high accuracy. Nevertheless, training the architecture takes approximately twice as much time as the explored architectures. Finally, a desktop program is also provided to test the performance of each CNN architecture on real-time scenarios with tasks of anomaly detection.
URI : http://repositorio.yachaytech.edu.ec/handle/123456789/183
Aparece en las colecciones: Tecnologías de la Información

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
ECMC0027.pdf8.44 MBAdobe PDFVisualizar/Abrir


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.