26809

تشخيص ناهنجاري در تصاوير نظارتي با استفاده از شبكه‌هاي مولد رقابتي

كارشناسي ارشد

مهندسي كامپيوتر

1400-01

26/10/1400

مرتضي آنالويي

مهندسي كامپيوتر

تشخيص ناهنجاري يكي از مسائل سنتي در زمينه بينايي كامپيوتر است. با توجه به ماهيت ناهنجاري كه پديده اي نادر است، چالش اصلي اين مسئله كمبود داده به منظور يادگيري حالت ناهنجار است. از اين رو راهكارهاي مبتني بر يادگيري نيمه‌نظارتي مي‌توانند راهگشاي اين مسئله باشند. راهكارهاي مبتني بر يادگيري نيمه‌نظارتي براي تشخيص ناهنجاري تلاش دارند تا قواعد حاكم بر داده‌هاي عادي را ياد بگيرند و با توجه به اين قواعد به تشخيص داده‌هاي خارج از قاعده بپردازند. يكي از راهكارهاي مناسب براي يادگيري قواعد حاكم بر داده‌هاي عادي، يادگيري نحوه بازسازي بر اساس يك بازنمايي از آنها ست. در اين مطالعه ما سعي داريم تا يك روش جديد براي بازسازي صحنه بر اساس جريان نوري با استفاده از شبكه‌هاي مولد رقابتي ارائه كنيم. در اين روش ما تلاش داريم با طراحي و پياده‌سازي مدل‌هاي مولد بر اساس بلوك‌هاي پيچشي سه‌بعدي به درك عميق‌تري از قواعد مكان-زماني حاكم بر محيط در حالت عادي دست يابيم. عملكرد راهكار پيشنهادي بر روي دو مجموعه داده UCSD-Pedestrain1,2 سنجيده مي‌شود. در اين سنجش توانستيم تشخيص ناهنجاري را با AUC معادل 0.986 و 0.977 به ترتيب براي هر دو مجموعه داده انجام دهيم. توانايي راهكار پيشنهادي به نحوي است كه به منظور مكان‌يابي ناهنجاري نيز AUC معادل 0.954 و 0.956 در دو مجموعه داده ذكر شده ارائه مي‌دهد. اين اعداد در مقايسه با جديدترين روش‌هاي ارائه شده حكايت از يك بهبود قابل توجه دارد. ديگر مزيت اين روش ساختار يكپارچه به منظور آموزش و استنتاج آن است.

1401/04/25

Anomaly Detection in Surveillance Videos using Generative Adversarial Networks

1/16/2023 12:00:00 AM

Anomaly detection is a classical computer vision problem. We can look at it as a supervised learning problem but the main challenge is the lack of data for anomalous instances. Some approaches look at this problem as an unsupervised learning problem, but in case we have some useful instances of normal data we can utilize them by looking at this problem as a semi-supervised learning problem. The main idea here is to try to learn the distribution of normal data. Based on this idea there are several deep learning approaches that trying to learn how to reconstruct the scene and by that trying to learn the distribution of normal data. In this study we attempt to find a solution for anomaly detection in surveillance videos by learning how to reconstruct the scene from its optical flow. This approach is based on Generative Adversarial Networks framework.

تشخيص ناهنجاري , شبكه هاي مولد رقابتي , تصاوير نظارتي , يادگيري عميق

Anomaly Detection , Generative Adversarial Networks , Surveillance Videos , Deep Learning

Behnam Samadi

Morteza Analoui