Enhanced Abnormal Activity Detection: Utilizing YOLOv8 and Deep SORT with TSAI and LSTM Classifiers
Notice bibliographique
Résumé
Video analysis has undergone a radical transformation thanks to the quick development of deep learning and computer vision techniques, especially in the area of anomalous activity detection. Robust abnormal activity recognition algorithms are a prerequisite for strong security and safety protocols, which has led to the investigation of novel approaches. This work examined the combination of two state-of-the-art classifiers—Long Short-Term Memory, or LSTM, and Time Series AI, or TSAI—with cutting-edge techniques for object tracking and recognition, such as YOLOv8 (You Only Look Once, version 8) and Deep SORT (Simple Online and real-time tracking). The suggested method attempted to precisely identify anomalous activities in video feeds by utilizing the skills of LSTM and TSAI in capturing temporal dependencies and analyzing sequential data, along with the real-time object tracking abilities of Deep SORT and accurate object detection of YOLOv8. The performance of the integrated system was evaluated utilizing precision, recall, and F1-score metrics during an extensive examination that covered a variety of datasets and situations, resulting in an astounding 97.22% accuracy. With the ultimate goal of improving the system’s practical usefulness in real-world settings across industries like retail, disaster management, healthcare, and building security, the study also investigated the effects of various configurations and parameters on the system’s efficacy. By improving video analysis techniques, this research helps enterprises improve security protocols and successfully maintain public safety.
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 | 0,001 |
| 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 ».