Intelligent Transport Surveillance Memory Enhanced Method for Detection of Abnormal Behavior in Video
Dossier post-publication
Source : Retraction Watch, jointe par DOI. OpenAlex consigne la rétractation dans is_retracted, un booléen sur un espace d'états à au moins quatre valeurs ; il ne peut donc exprimer ni une expression de préoccupation, ni une correction, ni un rétablissement, et les rapporte comme false, ce qui se lit comme « rien à signaler ».
Notice bibliographique
Résumé
The purpose is to build a better intelligent transport platform and improve the performance of surveillance video abnormal behavior detection systems under rapid progress of science and technology, to process large-scale traffic surveillance video data. Autoencoder (AE) can detect abnormal behavior by using reconstruction error information. However, it cannot decode some abnormal codes well, so an AE based on memory needs improvement. The objective of this research is to propose a model where abnormal surveillance video can be handled. Therefore, a self-coding method based on memory enhancement is proposed. The steps are as follows: different abnormal behavior detection system algorithms are analyzed at first. The characteristics of three different methods, namely, the original autoencoder (AE), recurrent neural network, and convolutional neural network, are compared. Then, a memory module is proposed to enhance the automatic encoder to reduce the reconstruction error of normal samples and increase the reconstruction error of abnormal samples. The effect image is obtained by Laplace transform and convolution for the image with low definition, and the image with noise is processed by guided filtering. Finally, different methods are used for experimental comparison. Experiments show that, on the dataset Avenue, the frame-level result of the method proposed is about 2% higher than that of the optimal ConvLSTM in the comparison method; on the Ped1 and Ped2 datasets, it is also about 3% higher than ConvLSTM. The comparison of different methods shows that the effect of the method proposed is the best. The self-coding traffic surveillance video abnormal behavior detection system based on memory enhancement is designed with a modular structure and it uses the self-coding method based on memory enhancement. The effectiveness of the proposed method in the real scene is verified by comparing the performance of different methods in the same data set (Xia and Li, 2021).
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».