文献

J-GLOBAL ID：201802233213639746   整理番号：18A0132596

局所運動ベース関節ビデオ表現とOCELMによるビデオ異常検出と局在化【Powered by NICT】

Video anomaly detection and localization by local motion based joint video representation and OCELM

著者 (4件)： Wang Siqi (College of Computer, National University of Defense Technology, Changsha 410073, China) ,  Zhu En (College of Computer, National University of Defense Technology, Changsha 410073, China) ,  Yin Jianping (College of Computer, National University of Defense Technology, Changsha 410073, China) ,  Porikli Fatih (College of Engineering and Computer Science, Australian National University, Canberra ACT2601, Australia)
資料名： Neurocomputing  (Neurocomputing)
巻： 277  ページ： 161-175  発行年： 2018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： 今日,ヒトベースのビデオ分析は,ビデオデータの監視カメラと爆発的な成長の普遍的な使用により,ますます排出となっている。本論文では,ビデオ異常を検出し,自動的に位置決めする新しい方法を提案した。ビデオ特徴抽出のために,ビデオ体積は二新しい局所運動に基づくビデオ記述子,SL HOFとULGPのによって表現した。SL HOF記述子はビデオから抽出された空間-時間直平行六面体の3D局所領域の運動の空間分布情報,暗黙的前景の構造情報を反映し,正常HOF記述子よりもより正確に前景運動を描写を捕捉した。より正確にビデオ前景を局在化するために,新しいロバストPCAベース前景局在化スキームを提案した。,古典的2Dテクスチャ記述子LGPとオプティカルフローを組み合わせたシームレス,ULGPの記述子は前景局在化スキームによる区域における局所領域テクスチャの動き統計量を記述するために提案した。両SL HOFとULGPの異常検出の既存ビデオ記述子よりも識別できることを示した。正常ビデオ事象の特徴をモデル化するために,データ記述アルゴリズムとして新たに出てきた1クラス極端学習機械(OCELM)を導入した。訓練時間の甚だしい減少により,OCELMは古典的OCSVMのような既存のアルゴリズム,これは筆者らのアプローチモデル更新のための容易かつ迅速に生成された監視データからの高速学習に適用すると同等あるいはそれ以上の性能を得ることができた。提案されたアプローチは,UCSD ped1,ped2とUMNデータセットで試験し,実験結果は筆者らのアプローチがビデオ異常検出および位置決めタスクの両方で最先端技術レベルの結果を達成できることを示した。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： オプティカルフロー ,  アルゴリズム ,  高速度 ,  ロバスト性 ,  *録画装置 ,  学習 ,  三次元 ,  特徴抽出 ,  二次元 ,  位置決め ,  統計量 ,  モデリング
準シソーラス用語： 前景 ,  *局在化 ,  *異常検出 , 【Automatic Indexing@JST】

著者キーワード (3件)： ビデオ異常検出と局在化 ,  局所運動に基づく記述子 ,  極端学習機械

分類 (2件)： パターン認識  (JE07000S) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (6件)： 運動 ,  関節 ,  ビデオ ,  表現 ,  異常検出 ,  局在化