A Framework for Anomaly Classification Using Deep Transfer Learning Approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Over the last few years, surveillance CCTV cameras have rapidly grown to monitor human activities. Suspicious activities like assault, gun violence, kidnapping need to be observed in public places like malls, public roads, colleges, etc. There is a need for such a surveillance system that automatically recognizes human behavior, such as violent and non-violent actions. Action recognition has become an active research topic for researchers within the computer vision field. However, the human behavior recognition community has mainly focused only on regular actions like walking, running, jogging, etc. Though, detecting behavior in anomaly subjects like assault violence, gun violence, or general aggressive behavior has been comparatively less research in these specific events due to a lack of datasets and algorithms. Thus, there is an increasing demand for datasets to develop abnormal behavior algorithms that can classify anomaly actions. In this paper, the novel dataset is proposed named Human Behavior Dataset 2021 (HBD21). There are four categories of videos available in this dataset: Assault violence, Gun violence, Sabotage violence, and Normal events. This proposed dataset contains a total of 456 videos. Each video has the same length of each category. This paper aims to make a robust surveillance system framework with the help of a deep transfer learning approach and proposed a novel hybrid model. In this view, the current research work is categorized into three phases. Firstly, the preprocessing technique is applied to enhance the brightness of videos, and for resizing then, frames are extracted from each video. Secondly, the transfer learning-based Xception model is used to extract relevant features from frames. The third phase is a classification of behaviors in which a modified LSTM technique is applied. The model is trained using LSTM on the HBD21 dataset. Moreover, using proposed methods on the HBD21 dataset, the accuracy is obtained 97.25% overall.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle