UNCLASSIFIED UNCLASSIFIED Automated video surveillance: challenges and solutions. ACE Surveillance (Annotated Critical Evidence) case study
Notice bibliographique
Résumé
Currently deployed video surveillance systems and protocols are not fully efficient. In real-time monitoring mode, the problem is that an event may easily pass unnoticed due to false or simultaneous alarms and lack of time needed to rewind and analyse all potentially useful video streams. In archival mode, video data storage and manageability is the problem that makes post-incident investigation very difficult.- Due to the temporal nature of video data, it is very difficult for a human to analyse video data within a limited amount of time. This paper presents an automated video surveillance technology named ACE Surveillance (Annotated Critical Evidence) that is developed by the National Research Council of Canada (NRC) for the purpose of enabling more efficient use of surveillance systems. This technology, which incorporates recent advances in objects detection and tracking, has been tested on several real-life long-term monitoring assignments, including an over a year testing with the existing CCTV surveillance cameras at the NRC campus. The results of these tests are described. – While quantitatively showing the advantage of using automated evidence extraction systems for enhanced security and providing a reference standard for measuring Intelligent Video systems available on the market, the presented study also exposes several problems related to the development and deployment of such systems. Further steps for integrating automated evidence extraction systems for mainstream security applications are discussed. 1.
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 | 0,009 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».