文献

J-GLOBAL ID：201702284087138715   整理番号：17A0406502

群衆異常検出のための学習深部事象モデル【Powered by NICT】

Learning deep event models for crowd anomaly detection

著者 (4件)： Feng Yachuang (Center for OPTical IMagery Analysis and Learning (OPTIMAL), State Key Laboratory of Transient Optics and Photonics, Xi’an Institute of Optics and Precision Mechanics, Chinese Academy of Sciences, Xi’an 710119, Shaanxi, PR China) ,  Feng Yachuang (University of Chinese Academy of Sciences, Beijing 100049, PR China) ,  Yuan Yuan (Center for OPTical IMagery Analysis and Learning (OPTIMAL), State Key Laboratory of Transient Optics and Photonics, Xi’an Institute of Optics and Precision Mechanics, Chinese Academy of Sciences, Xi’an 710119, Shaanxi, PR China) ,  Lu Xiaoqiang (Center for OPTical IMagery Analysis and Learning (OPTIMAL), State Key Laboratory of Transient Optics and Photonics, Xi’an Institute of Optics and Precision Mechanics, Chinese Academy of Sciences, Xi’an 710119, Shaanxi, PR China)
資料名： Neurocomputing  (Neurocomputing)
巻： 219  ページ： 548-556  発行年： 2017年 
JST資料番号： W0360A  ISSN： 0925-2312  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： ビデオサーベイランスにおける異常事象検出は非常に重要である,特に混雑したシーン。近年,多くのアルゴリズムが手作りの特徴に基づいて提案した。しかし,はまだ特定の状況に適した種類の決定に困難なままである。添加においては,効果的な記述子を設計するためのハードと時間がかかる。本論文では,ビデオ事象は教師なし様式で表し,モデル化するものである。特に,外見および動き特徴を3次元勾配からPCANetを用いて抽出した。イベントパターンをモデル化するために,Gauss混合モデル(GMM)は観測された正常事象を構築した。深いGMMはお互いの頂部に複数のGMM層を積重ねるスケーラブルな深い生成モデルである。結果として,提案した方法は,比較的少数のパラメータを持つ比肩可能な性能を得た。試験相では,尤度はビデオイベントが異常かどうかを判定する計算した。本論文では,提案した方法は二種類の公開利用可能データセット上で検証し,最新のアルゴリズムと比較した。実験結果は,深いモデルであるビデオサーベイランスにおける異常事象検出のための有効であることを示す。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： モデリング ,  *学習 ,  アルゴリズム ,  三次元 ,  *深部 ,  情報公開 ,  統制索引語 ,  録画装置
準シソーラス用語： 尤度 ,  生成モデル ,  Gauss混合モデル ,  イベント検出 ,  ビデオサーベイランス ,  *異常検出 , 【Automatic Indexing@JST】

著者キーワード (6件)： ディープニューラルネットワーク ,  PCANet ,  深部GMM ,  混み合ったシーン ,  異常事象検出 ,  ビデオ監視

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： 異常検出 ,  学習 ,  深部 ,  事象 ,  モデル