文献

J-GLOBAL ID：201802271924827665   整理番号：18A0382981

変化監視シーンにおける異常検出のためのオンライン成長ニューラルガス【Powered by NICT】

Online growing neural gas for anomaly detection in changing surveillance scenes

著者 (4件)： Sun Qianru (Max Planck Institute for Informatics, Saarbruecken 66123, Germany) ,  Sun Qianru (Shenzhen Graduate School, Peking University, Beijing 100871 China) ,  Liu Hong (Shenzhen Graduate School, Peking University, Beijing 100871 China) ,  Harada Tatsuya (School of Information Science and Technology, University of Tokyo, Tokyo 113-8685, Japan)
資料名： Pattern Recognition  (Pattern Recognition)
巻： 64  ページ： 187-201  発行年： 2017年 
JST資料番号： D0611A  ISSN： 0031-3203  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： 異常検出はまだ複雑な環境で予測できない人間行動によるビデオ監視のための挑戦的な課題である。ほとんどの既存のアプローチは,手作業でラベル付けされたデータ,予め定義されたパラメータを用いたオフライン検出器を訓練し,シーン変化をモデル化することが困難である。本論文では,教師なし学習を行うオンライン成長ニューラルガス(オンラインGNG)と呼ばれるニューラルネットワークに基づくモデルを紹介した。パラメータ固定GNGとは異なり,提案モデルは,学習パラメータ連続的に,筆者らは,いくつかのオンライン近傍関連戦略を提案しを更新する。ニューロン挿入,欠失,学習速度適応と停止基準選択,具体的な作業はオンラインモードにアップグレード。異常検出段階では,著者らのモデルから遠く離れた挙動パターンは異常として標識し,遠く離れた時変しきい値により測定した。実験は,三件のサーベイランスデータセット,すなわちUMN,UCSD Ped1/Ped2と通りデータセットに実装した。全てのデータセットは不定な群衆密度と行動タイプによるシーン変化を有していた。異常検出結果は,このモデルは急速に電流シーンに適応し,誤警報を減らすことができる最も異常を検出しながら,ことを示した。12最近の方法との定量的比較は,優位性を確認した。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： 人間行動 ,  *モデリング ,  ニューラルネットワーク ,  検出器 ,  電流 ,  高速度 ,  教師なし学習 ,  ニューロン ,  学習
準シソーラス用語： 誤警報 ,  停止基準 ,  ビデオ監視 ,  *成長ニューラルガス ,  *オンライン ,  *異常検出 , 【Automatic Indexing@JST】

著者キーワード (3件)： 異常検出 ,  ビデオ監視 ,  教師なし学習

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： シーン ,  異常検出 ,  オンライン ,  成長ニューラルガス