A Robust Multi Descriptor Fusion with One-Class CNN for Detecting Anomalies in Video Surveillance
Notice bibliographique
Résumé
In the domain of computer vision and machine learning, Video Anomaly Detection (VAD) has emerged as a pivotal area of inquiry, particularly relevant to security, surveillance, and video analytics.The extraction of pertinent features from video data constitutes a foundational aspect of VAD, enabling the discernment of anomalous patterns and structures.Features such as motion, texture, shape, and aesthetics are extracted and tailored according to the exigencies of the application and the intrinsic properties of the video content.The amalgamation of multiple features is often requisite for refining the accuracy of anomaly detection systems.Given the inherent high dimensionality of video data, dimensionality reduction techniques have been employed to mitigate computational demands and enhance the precision of the anomaly detection process.The present study delineates a novel approach centered on the deployment of a One-Class Convolutional Neural Network (CNN).This network is exclusively trained on normal events to establish a baseline representation of typicality.During the evaluation phase, the network is tasked with predicting the normality or abnormality of new video segments against this established norm.Moreover, this work introduces a novel fused feature descriptor, referred to as the Multiple Feature Descriptor (MFD), which is designed to encapsulate the spatiotemporal attributes of video data effectively.The proposed methodology has been subjected to rigorous testing against publicly available datasets, where it has demonstrated superior performance, outstripping numerous contemporary state-of-the-art methods in both accuracy and computational efficiency.
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 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 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».