Resumen

Recientemente, la atención hacia la vigilancia autónoma se ha intensificado y la detección de anomalías en escenas concurridas es una de esas tareas significativas de vigilancia. Los enfoques tradicionales incluyen la extracción de características hechas a mano que requieren la tarea posterior de aprendizaje de modelos. Principalmente se utilizan para extraer características espacio-temporales de bajo nivel de videos, descuidando el efecto de la información semántica. Recientemente, los métodos de aprendizaje profundo (DL) han surgido en varios dominios, especialmente CNN para problemas visuales, con la capacidad de extraer información de alto nivel en capas superiores de sus arquitecturas. Por otro lado, enfoques basados en modelado de temas como NMF pueden extraer representaciones más semánticas. Aquí investigamos un nuevo método híbrido de incrustación visual basado en características profundas y un modelo de tema para la detección de anomalías. Las características por fotograma se calculan jerárquicamente a través de un modelo profundo preentrenado, y al mismo tiempo, se aprend

• Materias:Comunicación inalámbrica Dispositivos móviles Seguridad de la información Algoritmo de inteligencia Sensor inteligente
• Subjects:Wireless communication Mobile devices Information security Algorithm intelligence Intelligent sensor
• Palabras claves:Vigilancia autónoma; Detección de anomalías; Aprendizaje profundo; CNN; Modelado de temas; Método de detección de anomalías
• Keywords:Autonomous surveillance; Anomaly detection; Deep learning; CNN; Topic modeling; Anomaly detection method