文献

J-GLOBAL ID：201702289601764809   整理番号：17A0214618

大規模シーンのための時間依存性に基づく異常検出【Powered by NICT】

Detecting anomaly based on time dependence for large scenes

著者 (5件)： Chen Lixin (Key Laboratory of Human-Machine Intelligence-Synergic Systems, Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences) ,  Guo Huiwen (Key Laboratory of Human-Machine Intelligence-Synergic Systems, Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences) ,  Wu Xinyu (Key Laboratory of Human-Machine Intelligence-Synergic Systems, Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences) ,  Feng Wei (Key Laboratory of Human-Machine Intelligence-Synergic Systems, Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences) ,  Chen Xiaoxin (Key Laboratory of Human-Machine Intelligence-Synergic Systems, Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2016  号： IEEE ICIA 2016  ページ： 1376-1381  発行年： 2016年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 非重複と可視ビューを持つ複数カメラにおける群衆異常検出のための新しいアプローチを提案した。として,全てが非重複場に隠された常に情報のいくつかの種類があることが知られている。本論文では,時間次元の角度から群衆異常検出を解析できるように,時間依存性データをマイニングする。最初に,オプティカルフローを用いた実シーンを前処理しなければならない。第二に,群衆移動のモデルを構築した。模擬シーンと実シーンのランダムデータを用い,近傍重みづけファジィc-平均(NW FCM)アルゴリズムに基づいた群衆移動のモデルを構築した。第三に,時間依存性データに基づく局所的および大域的経路を解析した。局所経路のワンピースを通した1軌道の確率を調べた。Bayes情報基準(BIC)およびMarkov連鎖モンテカルロ(MCMC)に基づく大域的経路を研究した。最後に,群衆異常検出を解析することができる。異常保持事象と異常移動事象を含む異常事象の二種類がある。確率P_eの経験的しきい値を設定した。検出モデルの確率はP_eより小さければ,検出されたモデルは,群衆異常として特徴づけられる。混同行列に基づく検出システムを判断した。実シーンのための大域的包括的評価基準は95.6%であった。実験結果は,異常検出は正確な示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 前処理 ,  Markov連鎖 ,  重みづけ ,  モンテカルロ法 ,  カメラ ,  評価基準 ,  曖昧さ ,  オプティカルフロー ,  アルゴリズム ,  *時間依存性
準シソーラス用語： 検知システム ,  混合行列 ,  MCMC ,  *異常検出 , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： 大規模 ,  シーン ,  時間依存性 ,  異常検出