Real-Time Deep Learning-Driven Surveillance with Spatiotemporal Feature Extraction for Detection of Anomalous Human Behavior Across Dynamic Environments
Notice bibliographique
Résumé
Nowadays continuous monitoring of public and private environments through Closed-Circuit Television (CCTV) is at peak attention.The identification and reporting of suspected human activity is crucial for the safety and security of the individuals and their belongings.Many researchers have provided numerous solutions for automated activity monitoring with CCTV and machine learning applications.But these models are struggling to provide high accuracy with real-time detection and triggering alert systems in a dynamic environment.The proposed model addresses these issues with a combined approach of convolutional and recurrent neural networks (Inception V3 and Bidirectional Long Short-Term Memory (BiLSTM)) with an attention mechanism to classify videos.This proposed model uses the strength of the Inception V3 network to extract spatial features from video frames, and the BiLSTM network processes these features in a timedependent manner to the identification of suspicious human activities.Also, the attention mechanism added to proposed system to focuses on the most significant spatiotemporal variables for violence detection.This deep learning model is designed to extract spatiotemporal features and thus can extract complex patterns in human motion robustly.This model is trained with publicly available dataset to analyze the performance with accuracy in a dynamic environment.The proposed deep-learning model effectively identifies and categorizes numerous suspicious behaviors in real-time by scrutinizing video sequences.The performance analysis proves that the proposed model efficiently detects activities like loitering, aggressive behavior, and unauthorized access.This automated surveillance system strengthens security in homes as well as other public and private environments.
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) | 0,001 | 0,000 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».