Resumen

La detección de eventos anómalos ha atraído una amplia atención debido a su importancia en escenarios de vigilancia por video. La falta de muestras etiquetadas como anormales hace que este problema sea más difícil de resolver. Se propone un método de aprendizaje parcialmente supervisado que utiliza solo muestras normales para entrenar el modelo de detección de eventos anómalos y su localización en video. Suponiendo que la distribución de todas las muestras normales cumple con la distribución gaussiana, la muestra anormal aparecerá con una probabilidad más baja en esta distribución gaussiana. El método se desarrolla basado en el autoencoder variacional (VAE), a través de la tecnología de aprendizaje profundo de extremo a extremo, que restringe la representación de la capa oculta de la muestra normal a una distribución gaussiana. Dada la muestra de prueba, su representación en la capa oculta se obtiene a través del autoencoder variacional, que representa la probabilidad de pertenecer a la distribución gaussiana. Se juzga si es anormal o no según

• Materias:Colonias de abejas artificiales Inteligencia artificial Patrón espacial Innovación de la comunicación Algoritmo de red neuronal
• Subjects:Artificial bee colonies Artificial intelligence Spatial pattern Communication innovation Neural network algorithm
• Palabras claves:Detección de eventos anormales; Vigilancia por video; Aprendizaje supervisado; Distribución gaussiana; Autoencoder variacional; Aprendizaje profundo
• Keywords:Abnormal event detection; Video surveillance; Supervised learning; Gaussian distribution; Variational autoencoder; Deep learning