VigilantAI: Real-time detection of anomalous activity from a video stream using deep learning
Notice bibliographique
Résumé
In an era where artificial intelligence (AI) solutions are increasingly integrated into various sectors, we have utilized Artificial Intelligence for enhancing public safety through real-time detection of illegal activities such as robberies and threats at gunpoint using CCTV footage. With the proliferation of deep learning in object detection, the study focuses on deploying the YoloV5 model, trained on a custom dataset compiled from diverse CCTV sources and movies, to identify specific criminal actions. One of the major problems faced in this field is the availability of a large robust labeled dataset on which a deep learning model can be trained. For this purpose, we have created our own dataset by converting various CCTV footage and movies into images, and then labeling them with the correct class. In addition, we also augmented data by using various data augmentation techniques for the chosen images. This dataset, enriched through augmentation techniques and annotated with bounding boxes, allows for the precise detection of threats, achieving an accuracy rate of 85%. Our system stands out by not only spotting these activities but also by instantly alerting security personnel, facilitating a rapid response to potentially dangerous situations. This capability is important for law enforcement agencies worldwide, offering them an advanced tool to act swiftly and prevent crimes, thereby enhancing public security. The essence of our work demonstrates the practical application and significant impact of AI in bolstering security measures, providing a solid foundation for future enhancements in the field. Through this initiative, we aim to foster a safer environment in public spaces, reducing crime rates and increasing the general public’s sense of 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 | 0,001 |
| 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 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 ».