Resumen

El creciente interés por los enfoques de aprendizaje profundo para la videovigilancia suscita la preocupación por la precisión y la eficiencia de las redes neuronales. Sin embargo, la detección rápida y fiable de eventos anómalos sigue siendo un trabajo difícil. Aquí, introducimos un enfoque de dos flujos que ofrece una estructura basada en el autocodificador para una detección rápida y eficiente que facilite la detección de anomalías a partir de vídeos de vigilancia sin eventos anormales etiquetados. Además, presentamos una interpretación post hoc de la visualización del mapa de características para mostrar el proceso de aprendizaje de características, revelando los límites de decisión inciertos y ambiguos en la secuencia de vídeo. Los resultados experimentales en los conjuntos de datos Avenue, UCSD Ped2 y Subway muestran que nuestro método puede detectar bien los eventos anormales y explicar la lógica interna del modelo a nivel de objeto.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:eventos anormales, enfoque de aprendizaje profundo, eventos anormales etiquetados, interpretabilidad de características, visualización de mapa de características, proceso de características, límite de decisión ambiguo, trabajo desafiante, ucsd ped2, secuencia de vídeo
• Keywords:abnormal events, deep learning approach, labeled abnormal events, interpretability of features, features map visualization, process of features, ambiguous decision boundary, challenging work, ucsd ped2, video sequence