view in publisher's site

A comparative study between single and multi-frame anomaly detection and localization in recorded video streams

Highlights•In video anomaly detection, spatial context detectors are real-time.•A multiscale deep neural network helps performance.•Deep convolutional autorncoders are used for spatiotemporal anomaly detection.•Using an SSIM based scoring function boosts performance.AbstractVideo anomaly detection is usually studied by considering the spatial and temporal contexts. This paper focuses first on spatial context and shows that it can be a fast real-time solution. In the first part of this work there are two main contributions: employing a new deep network for reconstruction and introducing a new regularity scoring function. The new deep architecture is based on pyramid of input images and compared to UNet, the proposed architecture boosts AUC by 15% and the new regularity scoring function is based on SSIM. The second part employs a multiframe approach to distinguish temporal behavior anomalies. The second approach enhances the results by 7% compared to spatial anomaly detection. Comparing the two approaches, if computing power is limited and real time anomaly detection is looked for, single frame detection is preferred while multi frame analysis offers a much wider possibility of anomaly detection.

مطالعه مقایسه‌ای بین آشکارسازی ناهنجاری تک فریم و چند فریم و محلی‌سازی در جریان‌های ویدیویی ضبط‌شده

نکات برجسته * در تشخیص ناهنجاری ویدئویی، آشکارسازهای زمینه فضایی در زمان واقعی هستند. شبکه عصبی عمیق چندمقیاسی به عملکرد کمک می‌کند. برای تشخیص ناهنجاری فضایی و زمانی، از لندرهای وابسته به خود کانولوشن عمیق استفاده می‌شود. * استفاده از یک تابع امتیاز دهی مبتنی بر SSIM عملکرد را افزایش می‌دهد. تشخیص ناهنجاری ویدئو معمولا با در نظر گرفتن زمینه‌های فضایی و زمانی مورد مطالعه قرار می‌گیرد. این مقاله ابتدا بر زمینه فضایی تمرکز می‌کند و نشان می‌دهد که می‌تواند یک راه‌حل فوری سریع باشد. در بخش اول این کار، دو نقش اصلی وجود دارد: به‌کارگیری یک شبکه عمیق جدید برای بازسازی و معرفی یک تابع نمره دهی نظم جدید. معماری عمیق جدید مبتنی بر هرم تصاویر ورودی است و در مقایسه با UNet، معماری پیشنهادی AUC را تا ۱۵ % افزایش می‌دهد و تابع نمره دهی نظم جدید مبتنی بر SSIM است. بخش دوم از یک رویکرد چند چارچوب برای تشخیص ناهنجاری‌های رفتار زمانی استفاده می‌کند. رویکرد دوم نتایج را در مقایسه با تشخیص ناهنجاری فضایی ۷ % افزایش می‌دهد. با مقایسه این دو روش، اگر توان محاسباتی محدود باشد و تشخیص ناهنجاری زمان واقعی مورد بررسی قرار گیرد، تشخیص تک چارچوب ترجیح داده می‌شود در حالی که تحلیل چند چارچوب احتمال بیشتری از تشخیص ناهنجاری ارائه می‌دهد.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Electrical and Electronic Engineering
  • ترجمه مقاله Electrical and Electronic Engineering
  • مقاله مهندسی برق و الکترونیک
  • ترجمه مقاله مهندسی برق و الکترونیک
  • مقاله Signal Processing
  • ترجمه مقاله Signal Processing
  • مقاله پردازش سیگنال
  • ترجمه مقاله پردازش سیگنال
  • مقاله Computer Vision and Pattern Recognition
  • ترجمه مقاله Computer Vision and Pattern Recognition
  • مقاله بینایی کامپیوتری و تشخیص الگو
  • ترجمه مقاله بینایی کامپیوتری و تشخیص الگو
  • مقاله Media Technology
  • ترجمه مقاله Media Technology
  • مقاله تکنولوژی رسانه‌ای
  • ترجمه مقاله تکنولوژی رسانه‌ای
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.